利用表面肌电进行手势自动识别

作     者：赵诗琪 吴旭洲 张旭 李柄澄 毛菁菁 徐进 ZHAO Shiqi;WU Xuzhou;ZHANG Xu;LI Bingcheng;MAO Jingjing;XU Jin

作者机构：西安交通大学生命科学与技术学院西安710049 西安交通大学生物医学信息工程教育部重点实验室西安710049 国家医疗保健器具工程技术研究中心广州510500 

出 版 物：《西安交通大学学报》 (Journal of Xi'an Jiaotong University)

年 卷 期：2020年第54卷第9期

页      面：149-156页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 0810[工学-信息与通信工程] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0836[工学-生物工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划资助项目(2017YFB1300303,2018YFC2002601) 陕西省自然科学基础研究计划资助项目(2019JM-293) 

主　　题：表面肌电 特征提取 特征降维 机器学习 Fisher Score 

摘      要：针对手势自动识别研究中提高正确率和降低训练时间两者需要同时兼顾的问题,提出了一种基于Fisher Score(FS)特征降维方法与机器学习相结合的新的手势识别模型。提取4通道表面肌电信号的时域、频域、时-频域和非线性特征,构成特征集;采用FS方法和主成分分析(PCA)方法分别进行特征降维,采用线性判别分析(LDA)和支持向量机(SVM)分别作为分类器;通过两种特征降维方法与两种分类器的不同组合构建不同的手势识别模型,并对分类模型的性能进行对比研究。实验结果表明,特征降维方法与分类器的组合能显著提高分类器的正确率、降低训练时间。与PCA方法相比,FS方法是一种实现简便、效果理想的特征降维方法:与SVM组合的分类模型获得最高分类正确率99.92%;与LDA组合的分类模型不仅获得99.24%的分类正确率,而且花费最短的训练时间1.44ms,该模型可为手势的实时自动识别提供理想的方法和途径。