王新平，夏春明，章含阳

（华东理工大学机械与动力工程学院，上海200237）

引 言

手语在生活中是一种常用的交流方式，尤其是对于聋哑患者，实际生活中的手语晦涩难懂，普通人与聋哑患者之间交流十分困难。目前尚未出现一套成熟的实时手语识别系统，本文设计了一种基于肌音信号（Mechanomyogram，MMG）模式识别的嵌入式实时手语识别设备，利用反向传播神经网络（Back propagation neural network，BPNN）对手语发出的高频振动信号进行识别，达到手语分类的效果。

神经网络是最常用的机器学习算法之一，可以应用于各个领域，尤其是涉及分类和识别的方向：Chen和Zhou［1］基于稀疏神经网络，对人脸表情的情绪进行识别判定，实现了7种情绪89.12%的平均识别率；Zangeneh等［2］应用深度卷积神经网络（Convolutional neural network，CNN），对低分辨率图片进行人脸识别，相比于普通网络，大大提高了人脸识别率；Deshwal等［3］将BPNN应用于声音信号的分类识别，对泰米尔语，马拉雅拉姆语，北印度语和英语进行识别，综合多个实验者的样本，获得了94.6%的识别率。除了模式识别领域，神经网络还可应用于数据回归预测等方向：Sun和Huang［4］应用BPNN，建立煤炭价格估计模型，可用于预测煤炭价格的变化。

在已有关于手语识别的研究中，覆盖了各种不同的手语信号和处理方法：Ghanbari和Seyedarabi［5］通过动态图像轨迹，结合隐马尔可夫模型对20种动态手语完成识别，识别率达97.48%；Kakoty［6］采用数据手套采集手指姿态信号，在支持向量机（Support vector machine，SVM）分类器中完成26个字母的动态手语识别，平均识别率达96.7%；Cho和Lee［7］根据手势图像分析手势关节信息，采用SVM分类器实现5种静态手势的分类，平均识别率达99.58%；……