融合SLPSO-SVM算法的仿生机械手sEMG实时手势识别方法

摘要

针对人机交互场景下机械手抓取任务存在的实时响应延迟和手势识别精度不足的问题，导致动作执行效果欠佳，提出了一种融合自适应学习粒子群优化支持向量机(SLPSO-SVM)算法的仿生机械手表面肌电信号(sEMG)实时手势识别方法。首先，采用3通道干电极臂带采集前臂肌群表面肌电信号，并结合db4小波基函数进行5层分解实现信号降噪处理，利用滑动窗口与动态阈值的方法提取活动段并计算信号平均绝对值(MAV)、均方根值(RMS)、最大值(MAX)、最小值(MIN)和平均功率频率(MPF)5种特征值，构建SLPSO-SVM模型预估手势类别，建立人手臂与机械手的动作协同关系，实现机械手的精准控制。实验结果表明：相比于传统的SVM模型，识别率提高了13.5%;采用NinaproDB1公共数据集对算法进行验证，模型依然有87.5%以上的识别率，证实了算法具有良好的泛化能力。

关键词

表面肌电信号 / 自适应学习粒子群 / 支持向量机 / 仿生机械手 / NinaproDB1公共数据集

基金资助

国家自然科学基金项目(61972239); 陕西省教育厅专项科学研究计划项目(18JK0160);陕西省教育厅专项科研计划(18JK0154); 陕西理工大学科研基金项目(SLG2118);陕西理工大学校级科研项目(SLG2120)