楊慶華 金圣權(quán) 都明宇 王志恒

(浙江工業(yè)大學(xué)機(jī)械工程學(xué)院 杭州 310023)

(特種裝備制造與先進(jìn)加工技術(shù)教育部/浙江省重點(diǎn)實(shí)驗(yàn)室 杭州 310023)

0 引言

手勢(shì)作為一種有效傳遞信息手段,其非接觸式、多樣性的特點(diǎn),使其成為人機(jī)交互領(lǐng)域一種常用的控制手段,手勢(shì)識(shí)別技術(shù)也成為了智能假肢[1]、康復(fù)訓(xùn)練[2]、手語識(shí)別[3]、智能家居[4]等領(lǐng)域的熱點(diǎn)話題。根據(jù)獲取信息方式的不同,手勢(shì)識(shí)別可以分為基于機(jī)器視覺[5]以及基于穿戴式傳感器[6]2 類?；跈C(jī)器視覺的手勢(shì)識(shí)別,受環(huán)境影響較大,遮擋、光照、背景都會(huì)影響識(shí)別準(zhǔn)確率。而基于穿戴式傳感器的手勢(shì)識(shí)別克服了以上問題。其中數(shù)據(jù)手套可以精確地采集各個(gè)手指的運(yùn)動(dòng)信息,但其本身笨重又無法應(yīng)用于手部殘疾的人群。表面肌電信號(hào)(surface electromyography,sEMG)因?yàn)槠涮N(yùn)含信息豐富,檢測(cè)用的非侵入式傳感器受限制較少、便于攜帶的特點(diǎn),越來越成為手勢(shì)識(shí)別領(lǐng)域關(guān)注的重點(diǎn)[7-9]。

不少研究者通過對(duì)sEMG 信號(hào)進(jìn)行分析并提取特征。謝小雨和劉喆頡[10]通過動(dòng)態(tài)時(shí)間規(guī)整(dynamic time warping,DTW)算法、Omari 等人[11]使用廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network,GRNN)、都明宇[12]使用BP 神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)和Cheng 等人[13]使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)對(duì)手部手勢(shì)進(jìn)行分類識(shí)別,均取得了不錯(cuò)的效果。但是僅使用sEMG 進(jìn)行手勢(shì)識(shí)別往往會(huì)忽略手部動(dòng)作的位姿信息,而通過不同種類的傳感器采集信息,可以改善這一問題。Kundu 等人[4]利用肌電和慣性傳感器采集信號(hào),并使用支持向量機(jī)(support vector machines,SVM)對(duì)7 個(gè)動(dòng)作進(jìn)行識(shí)別并控制輪椅,可以達(dá)到平均90.5%的識(shí)別率。韓志昕和隋修武[14]利用表面肌電信號(hào)、加速度信號(hào)和角速度信號(hào),通過極限學(xué)習(xí)機(jī)對(duì)9 種手勢(shì)可實(shí)現(xiàn)94.7%的識(shí)別率,并挑選其中6 種用于控制輪椅運(yùn)動(dòng),效果較好。鮑磊等人[15]提取4 路sEMG 與3 軸加速度信號(hào)的特征,輸入SVM 對(duì)4 名受試者執(zhí)行的6 種中國手語手勢(shì)的最高識(shí)別率為91.2%。周菲等人[16]使用sEMG 信號(hào)及加速度信號(hào),通過線性判別式對(duì)5 種手勢(shì)動(dòng)作進(jìn)行分類識(shí)別,識(shí)別結(jié)果較僅使用sEMG 的方式準(zhǔn)確率提升14.8%,并成功應(yīng)用于飛行器的控制。雖然目前利用sEMG 結(jié)合多傳感器的手部動(dòng)作識(shí)別總識(shí)別率較好,但用于識(shí)別的手勢(shì)種類數(shù)量少,絕大多數(shù)在10 種以下。手勢(shì)識(shí)別種類越多,識(shí)別準(zhǔn)確率越低。并且手勢(shì)識(shí)別動(dòng)作大多以單一的手腕或者手指動(dòng)作為主,不利于使用范圍的拓展。

1 手勢(shì)識(shí)別系統(tǒng)

本文建立的基于表面肌電和位姿信息融合的手勢(shì)識(shí)別系統(tǒng)如圖1 所示。首先是通過4 路肌電傳感器采集手部動(dòng)作sEMG 信號(hào),利用固定于手背的慣性傳感器記錄手勢(shì)加速度和速度信號(hào);然后以速度信號(hào)為基準(zhǔn),使用雙閾值分割方法劃分活動(dòng)段,再通過時(shí)間軸同步的方式分割sEMG 信號(hào)和加速度信號(hào);提取sEMG 信號(hào)和速度、加速度信號(hào)特征,通過核主成分分析(kernel principal component analysis,KPCA)的方式對(duì)特征進(jìn)行降維融合,最后使用隨機(jī)森林(random forest,RF)法完成分類識(shí)別。

圖1 多模態(tài)信息采集系統(tǒng)

1.1 數(shù)據(jù)采集

實(shí)驗(yàn)中,肌電信號(hào)采集設(shè)備使用傲意科技的gForceOct 無線肌電儀,采集拇短伸肌、指淺屈肌、尺側(cè)腕屈肌和橈側(cè)腕伸肌4 路sEMG 信號(hào),其中拇短伸肌和指淺屈肌主要與手指動(dòng)作有關(guān),尺側(cè)腕屈肌和橈側(cè)腕伸肌主要與手腕動(dòng)作有關(guān)。位姿信號(hào)使用維特智能的BWT901CL 慣性傳感器,為保證可以采集到僅有手指動(dòng)作手勢(shì)的位姿信息,將慣性傳感器設(shè)置于手背處,傳感器布置位置如圖2 所示。其中sEMG 信號(hào)采樣頻率為1000 Hz,速度和加速度信號(hào)的采樣頻率為100 Hz。

圖2 傳感器布置位置

1.2 實(shí)驗(yàn)動(dòng)作規(guī)范

實(shí)驗(yàn)參考NinaPro 數(shù)據(jù)集的動(dòng)作類型[17],從中選取11 種手勢(shì)、手腕動(dòng)作進(jìn)行實(shí)驗(yàn),具體形式如圖3所示,其中編號(hào)0 為放松,編號(hào)1～11 分別為伸張、握拳、腕屈、腕伸、腕側(cè)、右旋、左旋、指向、點(diǎn)贊、OK 和V。每種動(dòng)作執(zhí)行過程中穿插1 s 左右的放松時(shí)間,每組動(dòng)作共采集2 min 的數(shù)據(jù),之后被試對(duì)象休息5 min,繼續(xù)進(jìn)行下一種動(dòng)作的數(shù)據(jù)采集。

圖3 手勢(shì)動(dòng)作

本文被試對(duì)象共10 人,其中8 人為男性,2 人為女性,年齡在20～25 歲之間,均為右利手且無任何肌肉神經(jīng)疾病和殘疾的健康人。為保證手勢(shì)標(biāo)準(zhǔn)性及執(zhí)行時(shí)間盡可能相同,實(shí)驗(yàn)對(duì)象事先均進(jìn)行過一定練習(xí)。

1.3 活動(dòng)段分割

對(duì)采集信號(hào)手勢(shì)動(dòng)作段的分割會(huì)影響分類器訓(xùn)練的準(zhǔn)確性[18],因此準(zhǔn)確地對(duì)信號(hào)活動(dòng)段進(jìn)行提取十分關(guān)鍵。本文采用平均能量雙閾值分割的方式提取活動(dòng)段,針對(duì)速度信號(hào)進(jìn)行手勢(shì)動(dòng)作的活動(dòng)段分割,再使用時(shí)間軸同步提取其余兩信號(hào)活動(dòng)段。首先通過滑動(dòng)窗口方式計(jì)算速度信號(hào)總平均能量:

其中,m為窗口寬度,其值為20;l為滑動(dòng)步長(zhǎng),其值為1;vsum(i)為3 軸速度信號(hào)絕對(duì)值之和。

設(shè)置閾值th1,當(dāng)速度信號(hào)總平均能量開始大于th1 時(shí)視其為待定活動(dòng)段起點(diǎn)A,當(dāng)其開始小于th1 時(shí)視其為待定活動(dòng)段終點(diǎn)B。設(shè)置閾值th2,待定活動(dòng)段起點(diǎn)和終點(diǎn)之間的長(zhǎng)度小于閾值th2 則視為干擾信號(hào),將其舍去;滿足雙閾值限制條件的才視為動(dòng)作活動(dòng)段。其中th1 的取值由式(2)確定。

其中,α為增益系數(shù),此處取2.5;σ為放松狀態(tài)下受試者速度信號(hào)總平均能量,th1 的值向上取整。將閾值th2 均設(shè)置為15,即將持續(xù)時(shí)間少于150 ms的信號(hào)區(qū)段視為干擾信號(hào)。

將分割后的信號(hào)二值化,便于同步分割sEMG及ACC 信號(hào),二值化公式如式(3)所示。

其中,lA-B為兩相鄰待定活動(dòng)段起點(diǎn)和終點(diǎn)之間的距離。

實(shí)驗(yàn)過程中受試者難免會(huì)因?yàn)椴豢煽匾蛩禺a(chǎn)生輕微抖動(dòng),對(duì)活動(dòng)段分割產(chǎn)生干擾。以受試者F的指向動(dòng)作為例,采用單閾值方法時(shí)很可能導(dǎo)致劃分錯(cuò)誤進(jìn)而影響后續(xù)識(shí)別,如圖4(a)所示;而雙閾值方法則可以很好地改善這一問題,如圖4(b)所示。

圖4 劃分動(dòng)作段標(biāo)簽

1.4 特征提取

采集到的原始sEMG 信號(hào)中存在較多干擾,特征提取如果不事先進(jìn)行降噪處理會(huì)影響其信號(hào)質(zhì)量,進(jìn)而影響識(shí)別準(zhǔn)確率。因此先用梳狀陷波過濾50 Hz 的工頻干擾及其諧波,再用20～500 Hz 的巴特沃斯帶通濾波器,消去高頻噪聲及低頻運(yùn)動(dòng)偽跡干擾,對(duì)經(jīng)過降噪處理后的sEMG 信號(hào)再進(jìn)行特征提取。

針對(duì)sEMG 信號(hào),主要的特征提取方法有時(shí)域特征、頻域特征、時(shí)頻域特征、非線性特征等,其中時(shí)域特征實(shí)時(shí)性較好,提取簡(jiǎn)單,使用最為廣泛。因此選用平均絕對(duì)值(absolute mean value,MAV)、均方根(root mean square,RMS)、方差(variance,VAR)和過零點(diǎn)數(shù)(zero crossing,ZC) 4 個(gè)時(shí)域特征作為sEMG信號(hào)特征。特征提取方式采用滑動(dòng)窗口法[19],出于實(shí)時(shí)性考慮,滑動(dòng)窗口寬度應(yīng)在300 ms 以內(nèi),本文選擇200 ms 為滑動(dòng)窗口寬度,50 ms 為滑動(dòng)步長(zhǎng)。

sEMG 的MAV 大小與其信號(hào)強(qiáng)度成正比,因此其可以反映選定肌肉在特定動(dòng)作下的輸出力度,MAV 的表達(dá)式為

其中,xi為i時(shí)刻的肌電信號(hào),N為滑動(dòng)窗口寬度,后續(xù)的時(shí)域特征中xi和N具有的意義相同。

RMS 為信號(hào)平均能量的平方根,可以反映其能量水平,其公式為

VAR 可以反映信號(hào)與均值的差異程度,其公式為

ZC 可以反映信號(hào)穿越零點(diǎn)的頻率,其公式為

其中,xth是為了防止噪聲干擾導(dǎo)致的信號(hào)幅值在0值附近波動(dòng)而設(shè)置的閾值,其值為標(biāo)準(zhǔn)差的1%。

對(duì)4 通道sEMG 信號(hào)各提取4 個(gè)時(shí)域特征,可以構(gòu)成16 維特征矩陣:

針對(duì)速度和加速度信號(hào),選用平均絕對(duì)值反映其總體輸出力度。波形長(zhǎng)度(waveform length,WL)是時(shí)間段中波形的累積長(zhǎng)度,是信號(hào)復(fù)雜程度的度量,可以反映位姿信號(hào)的變化規(guī)律[20],其公式為

對(duì)加速度和速度信號(hào),各提取3 維的MAV 和WL 特征,可以構(gòu)成12 維特征矩陣:

1.5 降維融合

用于分類識(shí)別的特征維數(shù)過多會(huì)增加分類器的訓(xùn)練和識(shí)別時(shí)間,對(duì)特征進(jìn)行降維可以改善這個(gè)問題。肌電信號(hào)和位姿信號(hào)中含有非線性的特征,而常用的主成分分析方法(principal component analysis,PCA)對(duì)線性數(shù)據(jù)降維處理有較好的效果,卻無法兼顧非線性數(shù)據(jù),而核主成分分析可以很好地解決這一點(diǎn)。以下是KPCA 算法實(shí)現(xiàn)過程。

由于提取的信號(hào)不同特征尺度差異較大,所以需要先對(duì)特征值進(jìn)行歸一化處理,將特征值歸一化為均值為0、方差為1 的數(shù)據(jù),其公式為

其中,μ為數(shù)據(jù)的均值,σ為數(shù)據(jù)的方差。

利用高斯徑向基核函數(shù),將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)由數(shù)據(jù)空間映射得到核矩陣,其中高斯徑向基核函數(shù)公式為

其中,σ為核參數(shù),通過網(wǎng)格搜索選取使識(shí)別準(zhǔn)確率最高的值;x和y均為標(biāo)準(zhǔn)化后的數(shù)據(jù)。

而后中心化核矩陣,其公式為

其中,lN為N×N的矩陣,每一個(gè)元素都為1/N,N為樣本數(shù)量;K為核矩陣。

之后計(jì)算矩陣Kc的特征值,得到對(duì)應(yīng)的特征向量為λ1、λ2、…、λn,因?yàn)樘卣髦禌Q定方差v1、v2、…、vn的大小,特征值越大所含有效信息越多,按特征值降序?qū)ζ溥M(jìn)行排序,對(duì)應(yīng)的特征向量也做出調(diào)整。通過施密特正交化方法,正交并單位化特征向量,得到a1、a2、…、an。

計(jì)算重新排序后的特征值累計(jì)貢獻(xiàn)率r1、r2、…、rn,取大于95%的部分,公式為

選取a1、a2、…、at為降維融合后的數(shù)據(jù),分別對(duì)sEMG 時(shí)域特征及位姿特征使用KPCA 降維后,將兩者進(jìn)行組合形成融合后的特征矩陣。

1.6 分類器分類

隨機(jī)森林(RF)[21]是一個(gè)包含多個(gè)決策樹的分類器,并且其輸出的類別是由所用樹輸出類別的眾數(shù)而定,是Bagging 算法的一種。它學(xué)習(xí)速度快,針對(duì)多種特征和大量數(shù)據(jù)處理效果都較好[22]。

隨機(jī)森林算法的基本思路如圖5 所示,假設(shè)訓(xùn)練集S中共有n個(gè)不同的樣本,首先通過Bootstrap方法,有放回地從訓(xùn)練集S中抽取n次產(chǎn)生一個(gè)訓(xùn)練集;并將此步驟重復(fù)K次,隨機(jī)產(chǎn)生K個(gè)訓(xùn)練集S1、S2、…、SK;隨后通過分類回歸樹方法構(gòu)建對(duì)應(yīng)決策樹C1、C2、…、CK,對(duì)于每一棵決策樹而言,各自從M個(gè)總特征中隨機(jī)選擇m個(gè)用于分類,利用每個(gè)決策樹對(duì)測(cè)試樣本X進(jìn)行分類得到C1(X)、C2(X)、…、CK(X);最后通過投票的方法,將K個(gè)決策樹中輸出最多的類別作為測(cè)試樣本X的分類結(jié)果。

圖5 隨機(jī)森林分類器

2 實(shí)驗(yàn)與分析

2.1 隨機(jī)森林參數(shù)確定

通過RF 進(jìn)行分類需要確定的參數(shù)有隨機(jī)選擇的特征個(gè)數(shù)m和構(gòu)建的決策樹總數(shù)N,對(duì)于隨機(jī)選擇的特征個(gè)數(shù)m,其決定方式為

其中,M為總特征數(shù),m向下取整。

對(duì)于決策樹總數(shù)N,選用受試者B的數(shù)據(jù)進(jìn)行分析,N的取值范圍在100～1000 之間,每隔50 進(jìn)行一次測(cè)試,重復(fù)20 次,識(shí)別準(zhǔn)確率取平均值,其結(jié)果如圖6 所示。

圖6 決策樹數(shù)量的影響

可以看出,在決策樹總數(shù)N為500 時(shí)識(shí)別準(zhǔn)確率較好,而隨機(jī)森林分類器訓(xùn)練及識(shí)別時(shí)間會(huì)隨著決策樹數(shù)量增加而增加,決策樹棵樹在600 以上時(shí),對(duì)于準(zhǔn)確率的提升不大,但訓(xùn)練和識(shí)別所花的時(shí)間則會(huì)大大增加,因此選用500 作為決策樹總數(shù)。

2.2 分類識(shí)別

表面肌電信號(hào)和位姿信號(hào)相結(jié)合的方式可以提高手勢(shì)識(shí)別的正確率。為說明其各自的作用,用不同的特征組合構(gòu)成特征矩陣進(jìn)行識(shí)別分析,結(jié)果如表1 所示。

表1 實(shí)驗(yàn)組特征向量列表

表1 所示的3 組實(shí)驗(yàn)均使用RF 進(jìn)行分類,各實(shí)驗(yàn)人員的每個(gè)動(dòng)作均取500 組,共5500 組作為實(shí)驗(yàn)總樣本作為實(shí)驗(yàn)總樣本;隨機(jī)選取樣本數(shù)據(jù)的60%作為訓(xùn)練樣本對(duì)分類器進(jìn)行訓(xùn)練,40%作為測(cè)試樣本進(jìn)行測(cè)試分析;每組均進(jìn)行20 次,識(shí)別準(zhǔn)確率取平均值。實(shí)驗(yàn)所采用的計(jì)算機(jī)設(shè)備配置如下:處理器為Intel Corei5-1035G1,主頻為1.00 GHz,內(nèi)存為16 GB,操作系統(tǒng)為Windows10,識(shí)別結(jié)果如圖7所示。

圖7 不同實(shí)驗(yàn)組識(shí)別準(zhǔn)確率

如圖7 所示,對(duì)于所有受試者而言,sEMG 與位姿信號(hào)組成的特征向量識(shí)別準(zhǔn)確率均高于兩者單獨(dú)用于識(shí)別,其中實(shí)驗(yàn)中E1、E2、E3 中最高識(shí)別率分別為86.10%、90.78%和98.23%。

以受試者B的數(shù)據(jù)為例,特征選用融合特征組E3,選擇文獻(xiàn)[11]、[12]、[15]中使用的BPNN、SVM 和GRNN 分類器與本文的RF 方法進(jìn)行對(duì)比。其中BPNN 的初始化權(quán)值閾值取(-1,1)之間的隨機(jī)數(shù),訓(xùn)練后的最優(yōu)模型用于識(shí)別;SVM 的懲罰系數(shù)及核參數(shù)和GRNN 的擴(kuò)展速度均通過網(wǎng)格搜索法尋找最優(yōu)值。各分類方法的分類識(shí)別準(zhǔn)確率如表2所示,通過對(duì)比可以看出使用RF 進(jìn)行分類識(shí)別準(zhǔn)確率最高。

表2 不同分類器識(shí)別準(zhǔn)確率

通過KPCA 降維可以減少RF 的訓(xùn)練時(shí)間,將sEMG 和位姿信號(hào)通過KPCA 降維融合和未使用KPCA 進(jìn)行降維的各受試者識(shí)別準(zhǔn)確率及識(shí)別所用分類器訓(xùn)練時(shí)間如表3 所示。由結(jié)果可知,將sEMG和位姿信號(hào)特征通過KPCA 降維融合后再通過RF分類識(shí)別在加快訓(xùn)練時(shí)間的同時(shí)還可以微略地提升準(zhǔn)確率,識(shí)別準(zhǔn)確率為97.14 ±1.03%。

表3 使用KPCA 降維前后識(shí)別準(zhǔn)確率及分類器訓(xùn)練時(shí)間

以受試者C為例,表4 展示其識(shí)別結(jié)果的混淆矩陣,矩陣每一列數(shù)值表示真實(shí)數(shù)據(jù)被預(yù)測(cè)為該類的數(shù)目,每一行數(shù)值表示數(shù)據(jù)的真實(shí)歸屬類別。從表中可知,KPCA 降維融合的手勢(shì)識(shí)別方法在保障總體識(shí)別率高的同時(shí),單一動(dòng)作的識(shí)別率均在95%以上。

表4 受試者C 手勢(shì)動(dòng)作識(shí)別混淆矩陣

對(duì)比傳統(tǒng)PCA 方法和KPCA 方法的效果,圖8展示了各動(dòng)作的識(shí)別準(zhǔn)確率?？梢钥吹?PCA 方法的識(shí)別準(zhǔn)確率相比于KPCA 有很大程度的下降,這是因?yàn)镵PCA 降維方法可以更好地保留數(shù)據(jù)的非線性特征。所以,使用KPCA 降維的方式優(yōu)于PCA 降維方式。

圖8 不同降維方式動(dòng)作識(shí)別準(zhǔn)確率

2.3 疲勞狀態(tài)效果驗(yàn)證

肌肉疲勞狀態(tài)下sEMG 信號(hào)的幅度以及頻率會(huì)出現(xiàn)變化,提取特征會(huì)與正常狀態(tài)下有差異,對(duì)手勢(shì)識(shí)別算法是一個(gè)挑戰(zhàn)。讓受試者按1.2 節(jié)實(shí)驗(yàn)規(guī)范完成正常數(shù)據(jù)的采集后,先無間歇地執(zhí)行單個(gè)手勢(shì)動(dòng)作1～3 min,直到受試者明顯感覺到手部肌肉出現(xiàn)疲勞;再采集該手勢(shì)數(shù)據(jù),不斷重復(fù)這一過程,直到全部11 種手勢(shì)數(shù)據(jù)均采集完畢。之后采用正常數(shù)據(jù)提取特征訓(xùn)練分類器,使用疲勞數(shù)據(jù)提取的特征進(jìn)行驗(yàn)證,各手勢(shì)的識(shí)別準(zhǔn)確率如表5所示?？梢钥闯?所有受試者的手勢(shì)識(shí)別準(zhǔn)確率為93.59 ±1.10%,識(shí)別效果依舊較好,本文所提出方法對(duì)肌肉疲勞狀態(tài)魯棒性較好。

表5 疲勞狀態(tài)下各受試者識(shí)別準(zhǔn)確率

2.4 時(shí)效分析

本文所使用方法對(duì)于單個(gè)手勢(shì)識(shí)別總延時(shí)小于80 ms,其中滑動(dòng)窗口延時(shí)為50 ms,3 種信號(hào)特征提取平均時(shí)間為1.5 ms,使用KPCA 降維融合平均耗時(shí)為27.4 ms,RF 分類識(shí)別耗時(shí)小于1 ms。因此本文所提出方法可以滿足人機(jī)交互領(lǐng)域中的實(shí)時(shí)性要求。

3 結(jié)論

本文提出一種基于sEMG 和位姿信息融合的手勢(shì)識(shí)別方法。通過速度信號(hào)雙閾值分割方法對(duì)活動(dòng)段進(jìn)行劃分,在提高準(zhǔn)確率的同時(shí)降低了操作的復(fù)雜性;使用KPCA 方法對(duì)提取的sEMG、加速度和速度信號(hào)特性進(jìn)行降維融合,在減少分類器負(fù)擔(dān)的同時(shí)保留了信號(hào)的非線性特征,進(jìn)而極大減少分類器訓(xùn)練耗時(shí)并略微提高識(shí)別準(zhǔn)確率。相較于使用PCA 方法進(jìn)行特征降維,本文方法大幅提高了個(gè)別動(dòng)作的識(shí)別準(zhǔn)確率,證明了在手勢(shì)識(shí)別中非線性特征的重要性。設(shè)計(jì)并使用RF 對(duì)11 種不同手勢(shì)進(jìn)行分類,并與不同分類器進(jìn)行比較,RF 的識(shí)別效果最好,平均最佳識(shí)別率最高可達(dá)98.23%。所提方法在保證較高平均識(shí)別率的同時(shí),對(duì)單一動(dòng)作的識(shí)別準(zhǔn)確率也保持在90%以上,具有良好的識(shí)別性能。該識(shí)別算法對(duì)單個(gè)手勢(shì)的識(shí)別延時(shí)小于80 ms,可滿足實(shí)際應(yīng)用的需求。

本文所提的手勢(shì)識(shí)別算法針對(duì)10 種以上的手指、手腕動(dòng)作進(jìn)行識(shí)別,可以得到較好的識(shí)別效果,這有利于手勢(shì)識(shí)別在實(shí)際工程應(yīng)用中的范圍擴(kuò)展,為如智能假肢動(dòng)作、智能家具控制等提供更多的選擇。單種動(dòng)作識(shí)別的準(zhǔn)確率均在較高的水平,也有利于康復(fù)訓(xùn)練等工程使用中安全性的提高。