一种肌电数据自动标注方法

1.本发明属于数据处理领域，具体地涉及一种肌电数据自动标注方法。


背景技术：

2.随着智能设备的大量涌现和人工智能技术的发展，人机交互问题逐渐成为研究热点。其中手势识别具有较强的易用性和实用性等优点受到越来越多人的关注。手势识别可以让肢体残疾的患者通过控制假肢帮助患者正常生活，聋哑人患者可以通过手势识别与健康人进行正常交流，也可以通过手势进行互动游戏提高游戏趣味性。
3.目前，手势识别方法主要分为基于视觉信号的手势识别和基于肌电信号的手势识别。基于视觉信号的手势识别以leap motion为例：leap motion是一种基于计算机视觉识别技术的手势识别设备，通过两个摄像头获取人手部动作整体图像和三维位置坐标、手掌朝向及手指弯曲程度等信息并分析获取的信息用于用户的手势识别，使用leap motion识别手势识别准确率高，但leap motion采集手势动作会受到采集图像光照变化的影响且采集设备不能灵活移动，所以基于leap motion的手势识别不适合复杂环境的手势识别。
4.基于肌电信号的手势识别设备便于穿戴且识别精度较高，能够在复杂环境和日常生活中使用，但长时间的信号采集和信号标注获得大量准确肌电数据便于训练模型。传统肌电信号采集实验需要受试者根据实验平台提示做出相应的动作，由于受试者反应的迟滞性和肌电信号噪声干扰，采集完成后需对数据进行标注以获得更加准确的肌电信号，会加重受试者和实验者的负担。传统肌电信号采集实验对于不同的任务需求需要获得不同手势数据集，实验平台要根据需求频繁修改目标手势动作、某个手势重复次数、手势采集顺序等，造成前期实验准备工作繁琐、实验平台可重复性差。本发明拟结合leap motion的手势识别的高精度优势用于解决肌电数据获取困难问题。


技术实现要素：

5.为了解决上述现有技术的不足，本发明提供一种肌电数据自动标注方法，通过对leap motion采集数据通过聚类算法，用于自动标定采集的肌电手势数据标签。
6.具体地，本发明提供一种肌电数据自动标注方法，其包括以下步骤：
7.s1、从肌电数据库中获取肌电手势数据和对应的leap motion信号数据；
8.s2、对肌电信号进行活动段提取t0～t1并以此同步分割leap motion在t0～t1时间内的信号；
9.s3、对分割后的leap motion信号进行特征提取，其具体包括以下子步骤：
10.s31、对leap motion信号首先进行带通滤波来去除环境噪声以及运动伪迹，并通过短时活动能量法进行肌电手势数据活动段标记，具体方法如下：设有n个通道，x
i，j，k
表示第k个窗口第j个通道的第i个采样点，在之后的m毫秒内，采样率1000hz下共有m个采样点，m个采样点的平均短时能量公式为：
[0011][0012]
s32、根据采集的静息状态阈值v
th
，判断该采集点之后的数据是否为活动段数据，具体判断公式为：
[0013][0014]
超过阈值时间段即为活动段区间t0～t1，并以此分割t0～t1时间内采集的leap motion信号；
[0015]
s33、根据分割的leap motion信号计算每个手指长度、指尖坐标位置的距离作为原始数据；
[0016]
在步骤s33中，对leap motion获取的手指长度以及指尖坐标位置特征进一步计算来进行k均值聚类，k均值聚类的具体方法如下：获得手部五根手指长度和指尖坐标位置后采用三层小波分解的小波降噪方法对其进行分段，公式如下：
[0017]
c(t)＝f(c(t))＝f
l
(fw(c(t)))，i＝1，2，...，n
[0018]
其中，f
l
代表滑动长度为l的滑动窗口，fw为小波去噪函数，公式如下：
[0019][0020]
小波函数应满足∫ψ(t)＝0，ψ代表离散小波，φ代表尺度函数，c(t)表示分解为不同尺度的离散小波，公式如下：
[0021][0022]
其中，dj(i)代表尺度为2j的小波系数，aj(i)尺度为2j的尺度系数，将小波分解为3层分解即j＝3；
[0023]
s34、采用三层层次结构k均值聚类方法对手势进行聚类，使用三层结构能够有效的提高计算速度和聚类准确率；
[0024]
s4、根据s3步骤中对leap motion的t0～t1数据段所标注的手势标签对相应的t0～t1肌电数据进行对应标注，实现肌电手势的自动标注。
[0025]
优选地，对长度为l的leap motion数据做三层小波包分解的分段取平均值作为聚类方法的输入特征。
[0026]
优选地，步骤s34中三层结构的具体聚类方法为：在第一层通过手指长度的小波分解特征对手势进行初步聚类，在第二层通过手指坐标位置小波分解特征进一步聚类，在最后一层通过上述两种特征对手势进行进一步聚类以标记手势。
[0027]
与现有技术相比，本发明具有以下有益效果：
[0028]
(1)本发明通过一种leap motion与肌电信号集合的采集方法,实现了对肌电信号手势进行自动采集；传统肌电信号采集方式是用户根据提示做出相应的手势，期间必须要
严格遵守指示做出相应动作，过程枯燥且后续需要对数据再次进行优化处理。
[0029]
(2)本方法结合leap motion的手势识别精度优势和聚类算法，能有效的对用户手势进行自动分类标注，用户可根据自身情况自由地选择手势动作先后顺序，能够解决手势数据采集某一动作采集时间过长导致用户过于枯燥、疲惫等问题。同时对于不同的识别任务实验平台不需要做额外修改，可以减少实验人员修改实验平台时间，加快了实验进度。
附图说明
[0030]
图1是本发明方法的总体流程图；
[0031]
图2是本发明方法的采集方式图；
[0032]
图3是本发明方法活动段分割示意图。
[0033]
附图标号：21为肌电采集设备，22为leap motion装置，31为肌电信号活动段起始位置，32为肌电信号活动段结束位置。
具体实施方式
[0034]
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0035]
本发明提供一种肌电数据自动标注方法，其包括以下步骤：
[0036]
s1、从肌电数据库中获取肌电手势数据和对应的leap motion信号数据；
[0037]
s2、对肌电信号进行活动段提取t0～t1并以此同步分割leap motion在t0～t1时间内的信号；
[0038]
s3、对分割后的leap motion信号进行特征提取，其具体包括以下子步骤：
[0039]
s31、对leap motion信号首先进行带通滤波来去除环境噪声以及运动伪迹，并通过短时活动能量法进行肌电手势数据活动段标记，具体方法如下：设有n个通道，x
i，j，k
表示第k个窗口第j个通道的第i个采样点，在之后的m毫秒内，采样率1000hz下共有m个采样点，m个采样点的平均短时能量公式为：
[0040][0041]
s32、根据采集的静息状态阈值v
th
，判断该采集点之后的数据是否为活动段数据，具体判断公式为：
[0042][0043]
超过阈值时间段即为活动段区间t0～t1，并以此分割t0～t1时间内采集的leap motion信号；
[0044]
s33、根据分割的leap motion信号计算每个手指长度、指尖坐标位置的距离作为原始数据；
[0045]
在步骤s33中，对leap motion获取的手指长度以及指尖坐标位置特征进一步计算来进行k均值聚类，k均值聚类的具体方法如下：获得手部五根手指长度和指尖坐标位置后
采用三层小波分解的小波降噪方法对其进行分段，公式如下：
[0046]
c(t)＝f(c(t))＝f
l
(fw(c(t)))，i＝1，2，...，n
[0047]
其中，f
l
代表滑动长度为l的滑动窗口，fw为小波去噪函数，公式如下：
[0048][0049]
小波函数应满足∫ψ(t)＝0，ψ代表离散小波，φ代表尺度函数，c(t)表示分解为不同尺度的离散小波，公式如下：
[0050][0051]
其中，dj(i)代表尺度为2j的小波系数，aj(i)尺度为2j的尺度系数，将小波分解为3层分解即j＝3；
[0052]
s34、采用三层层次结构k均值聚类方法对手势进行聚类，使用三层结构能够有效的提高计算速度和聚类准确率；
[0053]
s4、根据s3步骤中对leap motion的t0～t1数据段所标注的手势标签对相应的t0～t1肌电数据进行对应标注，实现肌电手势的自动标注。
[0054]
具体实施例
[0055]
图1为本发明方法的总体流程示意图，具体工作流程为，使用者手臂佩戴肌电采集设备并对准leap motion进行信号采集得到相关数据的数据库，获取到手势动作时的肌电数据和leap motion图像，通过对肌电信号进行活动段检测，之后对leap motion信号进行活动段提取，提取分段后的leap motion信号的特征，通过聚类方法获取当前leap motion信号手势标签，然后通过此标签标准当前肌电活动段的手势识别标签。
[0056]
图2为本发明方法的一个具体实验的采集方式图，具体过程为：将leap motion平放置桌面上，保证leap motion放置在手势采集区域正中心位置，肌电采集设备放置使用者前臂肌肉上并保证放置于特定的肌肉位置上。使用者保证手势动作垂直对准leap motion，首先采集使用者保持静息状态，同时采集leap motion信号和肌电序列信号作为阈值信号t。采集静息状态信号完成后，使用者可做出其他手势，同时将数据保存至计算机中。之后将采集的数据存储在数据库中进行保存，之后进行数据标注时直接从数据库中进行调取获得相关数据。
[0057]
图3为本发明方法活动段分割示意图，通过采集肌电信号进行短时能量活动段提取，确定出肌电信号的活动起始时间和活动结束时间。用活动段起始时间和结束时间提取leap motion在此时间段的图像信号，进一步确定手势动作发生时的肌电信号和leap motion信号。
[0058]
该步骤的具体过程如下：
[0059]
通过leap motion和肌电采集设备采集手势肌电数据和leap motion数据。肌电信号经过10hz的高通滤波，500hz的低通滤波得到较为纯净的肌电信号，进一步的，通过短时活动能量法进行肌电手势数据活动段标记，方法如下：设有n个通道，x
i，j，k
表示第k个窗口第
j个通道的第i个采样点，在它之后的m毫秒内，采样率1000hz下共有m个采样点，这个m个采样点的平均短时能量公式为：
[0060]
本实施例中，m取32，其余实施例中可以根据需要进行设定。
[0061]
进一步的，根据采集的静息状态阈值v
th
，判断该采集点之后的数据是否为活动段数据，判断公式为：
[0062][0063]
超过阈值时间段即为活动段区间t0～t1并以此分割t0～t1时间内采集的leap motion信号；
[0064]
进一步的，对活动段的leap motion提取手部各个细节的信息手指长度、指尖坐标位置作为输入数据进行k均值聚类。具体方法如下：获得五根手指的长度和指尖坐标位置后首先采用三层小波分解的小波降噪方法对其进行分段，公式如下：
[0065]
c(t)＝f(c(t))＝f
l
(fw(c(t)))，i＝1，2，...，n
[0066]
其中，f
l
代表滑动长度为l的滑动窗口，fw为小波去噪函数，公式如下：
[0067][0068]
小波函数应满足∫ψ(t)＝0，ψ代表离散小波，φ代表尺度函数，c(t)表示分解为不同尺度的离散小波，公式如下：
[0069][0070]
其中，dj(i)代表尺度为2j的小波系数，aj(i)尺度为2j的尺度系数，本发明将小波分解为3层分解即j＝3。
[0071]
进一步的，对长度为l的leap motion数据做三层小波包分解的分段取平均值作为聚类方法的输入特征。本发明采用三层层次结构k均值聚类方法对手势进行聚类，使用三层结构能够有效的提高计算速度和聚类准确率。
[0072]
进一步的，在第一层通过手指长度的小波分解特征对手势进行初步聚类，在第二层通过手指坐标位置小波分解特征进一步聚类，在最后一层通过上述两种特征对手势进行进一步聚类以标记手势。
[0073]
进一步的，根据对leap motion的t0～t1数据段所标注的手势标签对相应的t0～t1肌电数据进行对应标注，实现肌电手势的自动标注。
[0074]
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进
行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。