薛亚许 杨 光 杜豪杰 王雪晴

(平顶山学院电气与机械工程学院 河南 平顶山 467000)

0 引 言

SEMG是通过电极采集浅层肌肉和神经干活动在皮肤表面的生物电信号，并将其记录、滤波、放大、传输和反馈，从而实现肌肉功能的评定和模拟[1]。由于人手在进行物体操作过程中的SEMG信号较微弱，易受干扰(噪声、电磁干扰等)，测量难度大，如何有效地对其进行信号采集、特征提取和不同人手动作的分类已成为实现手势识别的关键。

目前常用的SEMG信号采集装置，大多采用导线传输的方式将采集到的SEMG信号存储到数据采集卡或特定的医疗器械中进行分析处理，电极片贴附于目标肌肉的表面，并采用市电作为电极供电电源[2]。因此，这些采集装置在SEMG信号采集过程中不可避免地存在着电极移位、工频干扰和电磁干扰等显著缺点。

人手对物体的操作是通过手指、手掌之间协调完成，多通道SEMG信号采集可保证整体人手运动状态中肌电活动的信息复杂性。Xue等[3]采用6种典型的时域特征提取多模态感知信号，结合ADAG算法实现对十种人手动作的识别，平均识别率达到了94.57%。Wang等[4]提取加速度信号中的频域特征，通过概率神经网络对十种手势动作进行识别，识别率达到了98.75%。Chen等[5]结合三种特征类型的六种特征，对八种常见的康复训练手势通过BP神经网络进行识别，其中，DAMV+IAV+AR的特征组合获得的识别率最高，为97.71%。

为了能够精确地实现对人手手内动作的识别，各种各样的分类器比如神经网络、支持向量机和隐马尔可夫模型等被应用于SEMG信号的处理。……