买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东师范大学

摘要：本发明公开了一种基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，包括可穿戴式的臂带、数据采集处理装置、用户电脑端以及通过计算得到的位置偏移不敏感检测算法。其中穿戴式的臂带安装有FSR传感器，该传感器应用了FMG技术，能够检测人体的手势动作信息。数据采集处理装置汇总各个FSR传感器的信息，并将信息通过串口通信发送至用户电脑端。通过综合使用传感器在不同位置采集到的数据信息，电脑端中的程序可以通过位置偏移不敏感手势检测识别算法，不仅能够检测出用户的手势，并且不受到传感器穿戴位置偏移带来的对识别精度的影响。本发明为稳定在日常生活中使用穿戴式FMG技术进行手势检测时的精确性，提供了一种新的解决方案。

主权项：1.一种基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，包括以下步骤：步骤一：将传感器臂带佩戴于人体上肢前臂；所述传感器臂带中的传感器将采集人体的肌肉体积、形态信息，作为原始数据上传至电脑端存储；步骤二：佩戴者根据要求，做出需要进行检测的手势，所述传感器臂带中的传感器将采集人体手势变化时的肌肉体积、形态变化信息，作为变化数据上传至电脑端存储；步骤三：将所述传感器臂带分别进行前向、后向、顺时针、逆时针移动一定距离或角度后，重复做出步骤二中的手势；所述数据采集处理装置会将所述传感器臂带位置变化后采集到的原始数据和变化数据上传至电脑端存储；步骤四：电脑端使用传感器位移不敏感手势检测算法，利用步骤二和步骤三中采集的原始数据和变化数据建立对臂带穿戴位置位移不敏感的动作检测模型；步骤五：利用所述动作检测模型，对佩戴者的手势动作进行实时检测，生成检测结果并显示。

全文数据：基于FMG臂带的对穿戴位置偏移不敏感的手势检测系统和方法技术领域本发明涉及穿戴式设备、传感器信号处理、手势识别检测等领域，特别是一种基于FMG臂带的对穿戴位置偏移不敏感的手势检测系统和方法。背景技术可穿戴式设备是可以穿戴或者佩戴在人体上的设备的总称，随着近几年互联网和智能硬件的不断发展，可穿戴式设备也成为了研究的热点。可穿戴式设备能够在许多方面改变人们的生活，特别是在医疗领域。随着物质生产力的不断发展，人们开始追求更高的生活质量，更加注重有关健康的问题。而使用穿戴式设备对使用者的手势进行检测和识别，在医疗健康方面有着很好的应用空间。比如，可以利用该方法进行假肢的控制，从而根据使用者的意愿做出不同的动作，能够更好地帮助截肢患者回归生活；也可以将该方法应用于康复训练中，记录下患者康复过程中的锻炼情况，进而得到医疗人员更好的监督和管理，等等。可以说手势检测这一技术有很高的实用价值。目前，传统的手势检测采用的是sEMG技术表面肌电图，该技术通过使用与人体皮肤接触的电极，采集皮肤下的肌肉处于静止、收缩等状态时的肌肉电信号，用来作为进行手势识别的依据。该技术已经被研究多年，许多研究者从不同的角度入手，提出了不少有价值的提高识别率的方法。但是这一技术目前只是在实验室中显得较为成熟，实际使用时仍然存在着一些没有解决的问题。比如由于采集的是肌肉电信号，对皮肤表面的情况很敏感，污渍、汗液都会在采集电信号的过程中带来噪声，从而在根本上影响识别的精确性；长时间使用引起的肌肉疲劳也会使得同一动作的肌电信号发生变化，影响识别精度。FMG技术是一种新兴的替代方法，该技术使用采集的压力信号来描述动作。做出不同的动作时，肌肉的收缩、伸展状态是不一样的。将FSR压力传感器安装在肌肉上，当肌肉处于不同状态时，其体积、形状也是不同的，由于形状的变化会给固定在其上的传感器施加不同大小的力，FSR压力传感器可以由此获取肌肉的状态信息，并以此判断此时的手势。FMG技术目前已被证明具有良好的手势识别效果。不过FMG作为一种新兴的技术，当然存在着不少的问题。目前的研究大多只限于实验室的理想条件中。由于该技术针对的是特定的肌肉压力，因此对FSR传感器穿戴位置有严格的要求。因为一旦传感器的位置发生了偏移，将导致其接触的肌肉群出现变化，识别率将会大幅下降。但是在实际应用过程中，使用者不具有专业的人体解剖、肌理方面的知识，也不具备实验室环境中使用的精密仪器，不可能每次都准确的将传感器佩戴在同一特定位置。如果不解决这一问题，那么该技术的实际使用效果将大打折扣。市面上多是使用sEMG技术或者sEMG结合FMG技术对手势进行识别，还没有单独利用FSR传感器进行手势识别的产品，考虑到FSR传感器的使用和成本比起sEMG传感器有更多优势，在现实中使用该技术意义重大。发明内容本发明的主要目的是提出了一种基于FMG臂带的对穿戴位置偏移不敏感的手势检测系统和方法，能够解决使用过程中由于每次穿戴臂带位置不同导致传感器位置偏移从而引起的识别精度严重下降问题，保证了FMG手势识别技术在实际工作生活中的可靠性。本发明提出了一种基于FMG技术的与穿戴佩戴位置偏移不敏感的手势检测方法。该方法优化了传统的识别方法，能够在一定程度上解决因穿戴位置偏移引起的识别精度下降问题，从而使得利用FMG技术进行手势识别的系统得到更加稳定、准确的结果。本发明提出的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，该方法主要包括如下几个步骤：步骤一：将传感器臂带佩戴于人体的上肢前臂；其中，所述臂带中的传感器可以采集人体手势变化时的肌肉体积、形态等信息，作为后续处理步骤的原始数据。步骤二：佩戴者根据要求，做出需要进行检测的手势，在做出不同手势的期间，手臂位置要尽可能保持固定。所述传感器臂带中的传感器将采集人体手势变化时的肌肉体积、形态变化信息，作为变化数据通过数据传输方式上传至用户电脑端，电脑端将这些信息存储。步骤三：将传感器臂带分别进行前向、后向、顺时针、逆时针移动一定的距离或角度后，重复做出步骤二中所述的手势。其中，所述的数据采集处理装置会将所述臂带位置变化后采集的信息同样上传至电脑端，电脑端同样存储这些信息。步骤四：电脑端使用传感器位移不敏感手势检测算法，利用步骤二和步骤三中所述的传感器采集的原始数据和变化数据，以及机器学习理论的相关知识，建立与传感器臂带位置偏移无关的动作检测模型。所述动作检测模型是以机器学习中的支持向量机为理论基础建立的一个分类模型，该分类模型能够在给定输入向量的情况下，将该输入映射为结果向量。即将传感器某一时间段采集到的信息作为输入，模型可以通过一系列运算，给出针对这一输入的运算结果，这个结果也就是模型对当前手势的判断。模型的建立过程需要预先收集一些数据，即步骤二中所述的传感器采集的信息。步骤五：利用步骤四中所述的动作检测模型，对佩戴者的手势动作进行实时检测，生成检测结果并通过当前运行检测模型的设备具有的输出装置如屏幕进行显示。本发明步骤一中，将所述传感器臂带佩戴于人体上肢前臂的位置，一般为前臂肌肉最发达位置处，还可以是使用者根据自身情况选择的穿戴舒适的位置，可选择范围大致是从前臂根部到前臂长度一半处。本发明步骤一中，所述传感器臂带包含了若干个FSR压力传感器，用来获得做出不同手势时，人体的肌肉体积、形态变化情况，作为手势检测的基本判断依据。其中，所述FSR压力传感器的个数为3-10个；优选地，为5个。本发明步骤二中，所述数据采集处理装置拥有若干个模拟输入接口，用于读取FSR压力传感器的读数。同时该装置还需要具有一定的通信能力，能够通过通信功能将读取到的数据上传至其他终端，例如使用串口通信上传至电脑端。本发明中，所述数据采集处理装置包括存储模块、计算模块、控制模块、通信模块、读写端口、AD转换模块等。读写端口读取来自传感器的模拟量信号，AD转换模块将其转换为数字量，这些数字量形式的数据被存储在存储模块中，最后通过通信模块将数据发送至电脑端。计算模块为其他模块提供必须的计算能力，控制模块统筹所有模块的工作流程。数据采集装置和传感器之间由导线连接，考虑到系统的可靠性，两者之间的距离不宜过长，可以安置在臂带没有安装传感器的一侧或者在臂带上制作一个夹层，将其固定于夹层中。本发明步骤三中，所述前向移动的距离范围为1-5厘米；优选地，为1厘米。所述后向移动的距离范围为1-5厘米；优选地，为1厘米。所述顺时针旋转的角度范围为5-20度；优选地，为10度。所述逆时针旋转的角度范围为5-20度；优选地，为10度。本发明步骤三中，所述对臂带的移动可以根据使用者的实际需求进行自由选择，移动位置越多，即采集越多不同穿戴位置处的运动信息，该方法的效果越好。不过由此会增加数据采集阶段以及动作检测模型生成阶段所耗费的时间，产生额外的时间成本，使用者在可以衡量对精确度和时间两者的需求后，对这两者做出取舍。例如，移动位置选择范围可以主要集中在最为可能出现的常见、舒适的穿戴位置处，即步骤一中所述的位置附近。对于远离所述位置的移动不需进行。由于在每个位置的采集过程都需要长度相同的一段时间以保证采集到的数据的充分性，因此增加采集位置的个数就会使得采集阶段耗费的时间增加，与此同时检测模型的生成过程也会有更多的数据需要运算，因此模型生成过程的时间也会相应增加。但是由于采集到的数据量增加，生成的模型能够应对更多可能在实际使用过程中发生的不同形式的偏移，对于各种偏移情况的鲁棒性会提高，所以综合而言模型在检测准确度上会有提升。本发明步骤四中，对所述传感器采集的信息进行预处理，包括动作类型标定、信号中值滤波、时域特征提取、PCA降维、均值归一化。在预处理的过程中，一定要按照前述的顺序依次进行。其中，所述“动作类型标定”是指对采集到的不同手势的信息，用不同的数字进行标注，例如1,2，…，mm为需检测的手势种类数。可以理解为在数据后额外添加一个维度，该维度描述了采集当前数据时的手势类型。主要是为了方便在模型训练阶段，电脑能够理解当前一条数据表示哪一种手势。其中，所述“信号中值滤波”是指将信号中的一点用该值周围若干个点的中位数来代替，从而实现消除噪声的作用。由于FSR传感器读数在理论上延时间轴应该是平滑曲线，因此采集过程中的一些跳变点可以理解为噪声信号，可以通过中值滤波去除。所述周围点的个数选取依据采样频率的变化而变化，通常范围可以是3-5个点，优选地为4个点。其中，所述“时域特征提取”是指首先，将原始信号以加窗的形式分割，加窗就是选取某一长度，然后以这一长度为标准截取原始信号。然后，依次对截取后每个窗内的原始数据进行特征提取，主要是计算了该数据段的均值，方差，标准差，最大值，最小值，过零点个数，最大值与最小值之差以及众数，将这些特征值以向量方式记录。最后，将得到的特征值向量在列方向上按加窗时截取的顺序进行排列，形成一个特征矩阵。其中，所述“PCA降维”是指通过矩阵运算，将特征提取过程得到的维度较高的特征矩阵转化为一个维度较低的新矩阵，同时尽可能保留转化前矩阵的方差可以理解为其包含的信息量。该过程能够在保持绝大部分信息表达能力的前提下，降低特征矩阵的数据量，提高后续计算的效率。转换过程中保留的方差可人为选择，范围可以是80％-95％，优选地为90％。通过进行PCA降维操作后，特征矩阵的维度数下降，这减小了模型后续的计算量，提高了性能。其中，所述“均值归一化”是指将特征矩阵中的每一列的所有元素，除以矩阵中该列所有元素的平均值，即将每一个元素都转化为了范围在0-1之间的数。这一变化统一了特征矩阵中的各个特征的分布范围，均衡了不同特征的对手势的表达能力，使得后续的支持向量机理论能得到更好的结果。预处理的作用主要是为后续的识别算法提高精度。如果直接使用传感器采集得到的原始数据，其能够表达的对分类有意义的信息不够突出、直观，后续的分类器难以从其中抽取出准确、严格的判决依据。通过预处理可以使得信息能够较完美地契合分类器，使得最终得到的识别结果更精确。本发明步骤四中，所述位移不敏感检测算法，主要运用机器学习算法中的支持向量机SVM进行识别模型的建立。根据每一个使用者的特定情况对模型参数进行调整。其核心思想是通过将不同位置的信息综合为一个整体进行处理，大幅提高检测的范围，降低传感器位置偏移对于检测精度的影响。SVM理论的核心公式是：ξi＞0,i＝1，…，n式中的ω与b分别为超平面的系数项和偏置项，是最终的求解目标；xi代表了输入数据集中的某一个样本点。ξi为软间隔项，通过对每个样本引入ξi，使得其到分类超平面的距离可以小于1，变为1-ξi，但同时小于1的幅度不能过大，因此在公式中加入了这惩罚项，使得求出的最优解既能满足距离小于1的要求，又能满足幅度不过大的条件。该项中的C是用户自定的参数，用来控制惩罚项的作用力度。公式目标是求出一个超平面，使得所有样本点中距离该超平面距离最近的点到该平面的距离最远，这样求得的超平面具有很好的划分能力。这个公式还引入了软间隔的概念，使得超平面能容忍个别样本点到超平面的距离小于支持向量到超平面距离，用以提高模型的泛化能力。上述公式的求解是一个凸优化问题，但是通过KKT条件将问题转化后，可以求出一个最优解，这个最优解就是模型的分类超平面。具体过程是，将预处理后的数据作为输入数据集，利用SMO算法以当前输入为基础，对转化后的问题进行求解，计算出满足前述公式的ω以及b，即可得到该数据集的分类超平面。SMO算法会依据每次从数据集中读取的一条数据，尝试寻找对当前数据划分错误占据主导影响的一对系数。若有就依据一定的规则进行修改，更新这一对系数；若没有则读入下一条数据，直到数据集中所有的数据都能被正确划分。在计算的过程中使用到了核函数技巧，核函数可以将数据在没有转化表达式的情况下投影到高维空间中，通过在高维空间中的使用超平面将其分隔，实现了对于线性不可分数据集的分类，提高了模型的分类能力。训练过程中的ω以及b只需通过取一些随机值进行初始化，然后在训练过程中依据理论推理出的规则自动更新即可。需要人为设定的主要是C和核函数中的σ。这两者依据数据集的不同发生变化，需要针对每一个使用者的特定情况进行调整。如前所述，在SVM理论中，需要人为设定的超参数有两个，分别是C和核函数中的σ。其中C是用来调整软间隔的参数，该参数越小，分割超平面容忍间隔段中存在的数据集中的点的个数越大，也就是模型的泛化能力越高，不过该参数过大的话使模型失去一部分判断能力，导致识别准确率的下降；反之，C越大，模型对于训练集的分类准确度越高，不过可能会出现过拟合现象，导致实际使用中的准确率下降。对于σ也是类似的情况。这两个参数的选择都是有一定合理区间的，只有在合理区间内取值才能全面发挥模型理论中的能力。而这个合理区间会根据训练数据的不同产生变化，也就是说针对每一个使用者，该区间都是不同的。可以采用的调整方法是，对每一位不同的使用者，将其在训练过程中采集到的数据预留一部分，作为验证集。然后不断调整上述两个参数，寻找能够使得生成的模型在验证集上达到最高的正确率的组合，此时的参数取值就是适合该使用者的参数。本发明中将不同位置的信息综合为一个整体进行处理的具体实现方式是：首先，以手势的种类为依据，对来自不同位置的数据进行重排列，将相同手势，不同位置处采集到的数据拼接到一起，形成若干个代表不同手势的矩阵，其中的每一个矩阵都集中了所有从各个采集位置采集到的相同手势的数据。需要注意的是，在拼接过程中要保持原始数据的时间信息，即来自同一位置的数据要严格按采集时的采样顺序排列，至于对不同位置之间的数据拼接顺序可随意选择。然后，将集中了不同手势数据的若干矩阵，依次按手势顺序拼接，得到一个包含所有采集数据的矩阵，将该矩阵作为检测模型的训练数据集。通过将不同位置的信息综合为一个整体后，模型的训练数据就不单单只有来自单一采集位置的信息，而是集中了多个采集位置的所有信息，也就是说此时的数据集已经蕴含了“传感器位置发生变化”这一概念。这就使得模型在生成过程中充分考虑了位置发生变化的状况，使得最终得到的检测模型能够对可能来自多个不同位置的数据都给出十分准确的检测结果，这也意味着降低了传感器位置偏移对于检测精度的影响。同时也可以理解为大幅提高了模型的检测范围，因为此时的模型不单单只能处理某一特定位置，而是能够针对多个可能的穿戴位置做出精确检测。本发明步骤四中，所述动作检测模型，其生成过程对计算量有一定的要求，通常需要在电脑端进行。但是一旦建立完成，其完成手势识别功能所需的计算量将大幅下降，可导入到不同的拥有一定计算能力的计算设备如智能手机，而不再局限于电脑端。本发明步骤五中，所述实时检测过程，主要是通过将用户做不同手势时，实时采集的数据作为步骤四得到的动作检测模型的输入端信息，通过模型对输入的数据进行一系列的计算和判决，得到分类结果。本发明还提出了基于FMG臂带的对穿戴位置偏移不敏感的手势检测系统，包括可穿戴式的臂带、固定于臂带上的FSR传感器、数据采集处理装置、用户电脑端、AD转换模块。本发明创新点在于，本发明提出的基于FMG臂带的与穿戴位置偏移不敏感的手势检测方法，有效解决了由于传感器位置偏移引起的识别精度严重下降问题，使得利用FSR压力传感器进行的手势识别在实际工作生活使用中准确性得到了保证，增加基于FMG技术的手势识别系统的可靠性。本发明进一步提高了基于FMG技术的手势识别功能产品化的性价比，保证识别精度的同时，减少了使用条件限制。本发明的有益效果是：充分考虑了利用FMG技术进行手势识别时，因为传感器穿戴位置不同引起的识别精度下降现象。由于在日常使用过程中，使用者不可能每次都将臂带严格穿戴在同一位置，而本发明提出的方法能够很大程度上减少这一问题对于识别效果的影响，确保了识别结果的可靠性，使得FMG手势识别技术能够更好得运用于实际工作生活中。附图说明图1是本发明实施例所采用的臂带；图2是本发明实施例选取的数据采集位置；图3a是不同位置数据采集流程示意图；图3b是某一特定位置不同动作数据采集流程示意图；图4是本发明采用的偏移无关检测算法的原理示意图；图5是本发明实施例得到的最终识别结果的混淆矩阵。具体实施方式结合以下具体实施例和附图，对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。本发明旨在设计一个基于FMG臂带的与穿戴位置偏移不敏感的手势检测系统和方法，该系统主要由可穿戴的臂带、固定于臂带上的FSR传感器、数据采集处理装置和电脑端组成。臂带上固定有若干个FSR传感器，其采集到的数据通过数据采集处理装置进行保存，并利用串口通信发送至电脑端。电脑端中通过相应的偏移不敏感识别算法，得到最终的手势识别结果。图1是本发明实施例中使用的FSR臂带，在该实施例中FSR传感器的数量设置为5，将其较为均匀得分布在臂带中，方便臂带在穿戴后，5个传感器能有效覆盖手臂的不同肌肉群，采集多样化的形态信息。臂带本体采用了具有弹性的布料，使得不同使用者在穿戴时，都能依据自己的手臂直径自由调节臂带长度和松紧，让FSR传感器较好得贴合在手臂肌肉上。本发明实施例的第一阶段是训练数据采集阶段，使用者首先将臂带穿戴在前臂肌肉作为发达的位置，本实施例中是肘关节为起点前臂长度13处。然后将按照图3a中的流程依次在图2所示总共5个位置进行数据采集，图3b显示了在每个特定位置的数据采集流程。在这个过程中，传感器采集到的数据会通过数据采集处理装置，由串口通信发送至于其连接的电脑端。电脑端会接收这些数据，并将其保存下来作为传感器输入的原始数据。图2所示的五个位置具体分别为初始位置即肘关节为起点前臂长度13处、较初始位置向前移动1厘米，向后移动1厘米，顺时针选择10度，逆时针旋转10度。选择这5个位置的主要原因是这5个位置已经涵盖了初始位置以及几乎所有可能产生的偏移情况，这样采集的数据集较为系统、完整。偏移的幅度并没选取过多，这是考虑到在实际使用过程中，使用者在主观上是了解需要将臂带尽可能穿戴在同一个位置的。但是由于缺乏实验室环境中的精密仪器，通常会不可避免得产生一些偏移，不过这些偏差显然并不会很大。所以在选择测量位置的时候，从这一前提出发，模拟了一系列可能以较大概率出现的偏移情况。当图3b中的流程完成，即用户完成了在某一特定位置的数据采集流程后，用户依次按照图3a所示方式移动传感器，并在每一次移动后重复一次完整的数据采集流程。当完成图3a的流程后，电脑端就保存了初始位置、前移1厘米、后移1厘米、初始位置顺时针旋转10度、初始位置逆时针旋转10度后5个不同位置的训练数据。值得注意的是，图2和图3a分别只是本实施例选择的测量位置和以这些位置所确定的流程图，在实际过程中，使用者可以在综合考虑时间成本和准确率的前提下，将传感器移动到与本实例5种位置不同的位置处，然后进行数据采集流程。移动行为可以参考图3a中的移动方式进行多次。理论分析上而言，训练阶段包含的位置越多，后续识别算法得到的识别模型性能越好，不过耗费的时间成本也更高。当训练数据采集完成后，电脑端会保存有来自不同位置的所有传感器数据，将这些数据视为一个整体，作为系统进行分类的训练样本。在进行分类之前还需要对数据进行预处理。动作检测模型的训练和实际动作的识别流程如图4所示。首先对其进行中值滤波，滤除信号中包含的噪声。中值滤波的原理是将信号中的一点用该值周围若干个点的中位数来代替，从而实现消除噪声的作用。中值滤波的领域大小需要结合实际情况进行调整，本实施例中使用的领域为3进行滤波处理。之后要提取信号的特征值，提取特征值可以更好得观察到信号的本质，得到更多有利于区分的信息。由于FSR传感器的读数在进过中值滤波后都是较为平稳的，因此只考虑提取其时域特征。本发明一共提取了信号的8种时域特征，分别是均值，方差，标准差，最大值，最小值，过零点个数，最大值与最小值之差以及众数。特征提取过程采用的窗口大小为20个采样点，步长为10个采样点。在对分别对每一个传感器的信号提取特征后，总共将获得40个特征值。考虑到特征值的数量偏多，其中也可能有许多特征值对于分类并没有携带十分有价值的信息，所以需要对特征值进行筛选。本文使用了PCA主成分分析降维方法对特征值进行选择。PCA的主要过程是通过矩阵运算将原始数据维度降低，但同时保留其大部分的方差信息。其背后的原理是数据中不同类别的分类信息主要取决于数据点之间的方差，但是并不是每一维都会出现方差较大的情况。有些维度的方差很小，意味着这一维度的信息对于数据分类并没有显著的意义，可以考虑将其丢弃。PCA即通过保留方差最大的若干个维度，舍弃其余维度来实现数据的降维。本发明以保留90％的方差比为依据进行降维，最终从40个特征值中提取了10个特征值，即这10个特征值包含了对于分类最有帮助的90％的信息。最一步是将这10个特征值进行均值归一化，方便后续识别模型的生成。因为SVM模型对于数据的范围区间是比较敏感的，范围区间较大的特征值对结果的影响相较而言更明显，如果数据不通过归一化转化到同一个范围内，将会极大影响识别效果。然后进行手势识别模型的建立，将处理后得到的数据作为SVM模型的输入数据。本实施例采用了RBF为核的SVM模型用来对数据进行训练和识别。SVM的原理是将使用一个超平面将数据划分为两个类，这个超平面可以使得两个类的样本到该平面的距离最大。SVM分类方法的好处是它可以通过使用核函数将数据投影到高维空间，从而使得某些在原本维度下无法进行线性分割的数据能够在高维空间下很好的通过超平面分割。而且SVM的另一个好处是该方法找到的超平面是所有能够分割平面中到样本点距离最远的一个，这使得该识别算法有很好的泛化能力，为未知样本的识别效果好。SVM原本只能进行二分类，即只能对区分两种类型的样本。为应对该实施例中涉及到的n种不同类型手势的分类，本实施例采用了OVROnevsRest，即“一对多”策略进行多分类训练，针对每一种动作，将目标动作和所有余下动作作为需要区分的两类进行训练，得到n个识别模型。当新的样本输入后依次利用n个识别模型对他进行识别，最后根据n个分类器的结果，综合判断其归属于哪一个类，策略是选择置信度最高的。在训练过程中需要对超参数C和γ进行选择，这两个参数需要根据实际情况进行调整修改，本实施例中选取C＝1，γ＝0.05进行训练。模型训练结束后，将模型导出并保存。当使用者进入识别阶段后，通过对实时读取的数据进行相同的预处理，并导入训练好的模型，就可以得到识别结果。图5是本发明实施例得到的手势识别结果的混淆矩阵图形化显示。混淆矩阵是常用来表示系统识别效果的矩阵，其横轴和纵轴分别表示预测动作的类别和实际该动作的类别。矩阵的第i行第j列单元中的数据表示了将第i号实际动作识别为第j号动作的几率其中i，j小于总识别动作数。图5将数据进行图形化显示，转换关系根据右侧的图样所示，将从0％到100％的数值以不同的颜色表示，越接近0颜色越白，越接近1颜色越黑。由此可以看出所有的测试动作的基本都能有90％以上的概率识别正确，充分体现了本发明在实际应用中，为识别正确绿带来的有效提高。本发明克服了FMG手势识别技术使用过程中由于传感器偏移引起的识别精度下降问题，为手势识别在现实中稳定、可靠地使用提供了可行方案。本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

权利要求：1.一种基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，包括以下步骤：步骤一：将传感器臂带佩戴于人体上肢前臂；所述传感器臂带中的传感器将采集人体的肌肉体积、形态信息，作为原始数据上传至电脑端存储；步骤二：佩戴者根据要求，做出需要进行检测的手势，所述传感器臂带中的传感器将采集人体手势变化时的肌肉体积、形态变化信息，作为变化数据上传至电脑端存储；步骤三：将所述传感器臂带分别进行前向、后向、顺时针、逆时针移动一定距离或角度后，重复做出步骤二中的手势；所述数据采集处理装置会将所述传感器臂带位置变化后采集到的原始数据和变化数据上传至电脑端存储；步骤四：电脑端使用传感器位移不敏感手势检测算法，利用步骤二和步骤三中采集的原始数据和变化数据建立对臂带穿戴位置位移不敏感的动作检测模型；步骤五：利用所述动作检测模型，对佩戴者的手势动作进行实时检测，生成检测结果并显示。2.根据权利要求1所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，将传感器臂带佩戴于人体从前臂根部到前臂长度一半处。3.根据权利要求2所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，将传感器臂带佩戴于前臂肌肉最发达位置处。4.根据权利要求1所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，所述传感器臂带包含了多个FSR传感器用来获得做出不同手势时，人体的肌肉形态变化情况，作为手势检测的基本判断依据。5.根据权利要求1所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，所述步骤三中，臂带的移动位置越多，动作检测模型越精准。6.根据权利要求1所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，移动位置选择范围为常见、舒适的穿戴位置处。7.根据权利要求1所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，步骤四中，所述原始数据和变化数据需要进行预处理，包括动作类型标定、信号中值滤波、时域特征提取、PCA降维、均值归一化。8.根据权利要求1所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，步骤四中所述的位置不敏感检测算法，运用机器学习算法中的支持向量机进行识别模型的建立；根据每一个使用者的特定情况对模型参数进行调整，通过将不同位置的信息综合为一个整体进行处理。9.根据权利要求1所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，步骤四中所述的动作检测模型，在电脑端进行建立，建立完成后可导入到其他拥有计算能力的计算设备。10.根据权利要求1所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，其特征在于，步骤五中所述的实时检测过程为通过将用户做不同手势时，实时采集的数据作为动作检测模型的输入端信息，通过所述动作检测模型对输入数据的计算和判决，得到分类结果。11.一种基于FMG臂带的对穿戴位置偏移不敏感的手势检测系统，其特征在于，采用如权利要求1-10之任一项所述的基于FMG臂带的对穿戴位置偏移不敏感的手势检测方法，包括：可穿戴式的臂带、固定于所述臂带上的FSR传感器、数据采集处理装置、电脑端；其中，所述数据采集处理装置包括存储模块、计算模块、控制模块、通信模块、读写端口和AD转换模块。

百度查询： 华东师范大学 基于FMG臂带的对穿戴位置偏移不敏感的手势检测系统和方法