基于支持向量机多分类的眼电辅助肌电的人机交互

发布时间：2019-07-31 12:58:50 来源：文档文库

小中大

字号：

手机查看

基于支持向量机多分类的眼电辅助肌电的人机交互
作者：张毅刘睿罗元
来源：《计算机应用》2014年第11期

摘要：针对单一肌电信号在控制系统中正确识别率不高问题，设计并实现了一种基于支持向量机（SVM）多分类的眼电（EOG）辅助肌电（EMG）的人机交互（HCI）系统。该系统采用改进小波包算法和阈值法分别对EMG信号和EOG信号进行特征提取，并对特征向量融合；然后提取特征参数作为SVM的输入来识别EMG信号和EOG信号动作模式，根据分类结果生成控制命令。实验证明，该系统比单一肌电控制系统更便于操作，稳定性好，正确识别率高。

关键词：肌电；眼电；小波包；支持向量机；多分类

中图分类号： TP11；TP273.5；TP301.6文献标志码：A

0引言

随着智能控制技术的进步，以人为中心、自然、高效的多通道交互是新一代人机交互（Human-Computer Interaction， HCI）的主要目标。近年来，通过识别人类的不同行为，并将识别结果转换为机器命令的交互方式成为国内外研究的热点[1]。针对一些弱势群体，如截肢、偏瘫、帕金森症等不能通过手来进行人机交互的患者，利用从人体骨骼肌表面通过电极记录的神经肌肉活动时发出的电信号——肌电（Electromyography， EMG）信号控制远端的智能服务机器人，这样的人机接口对操作者不会构成操作上的负担，增进了人机交互的自然性和主动性，成为了人机交互系统理想的控制信号源[2-3]。近年来，肌电信号识别技术成为无障碍环境交互领域的一个研究热点[4]。2010年，Xie等[5]在其研究中，采用小波分解、奇异值分解等方法对肌音信号的特征值进行选择，结果表明这种方法能够有效识别受测者的4类手部动作意图，识别准确率最高可以达到89.7%。文献[6]的研究显示，仅使用一个压电传感器通过较为复杂的算法可对手部4个动作实现约80%的识别率。因此，尽管近年来对EMG控制系统的研究取得了一些成果，但单一肌电控制系统存在正确识别率低、控制指令的响应时间较长的问题。把肌电信号和其他信号进行混合控制的应用还比较少。顾景[7]提出了视觉与肌电信号在手势识别中的融合方法。但该方法只是基于静态的手势动作，并没用涉及到动态的动作，不能实现实时的控制。综上所述，提出基于支持向量机（Support Vector Machine， SVM）多分类的EMG信号和眼电（Electrooculogram， EOG）信号的分析和处理方法，设计并实现眼电辅助肌电人机交互系统。