一种克服sEMG人机交互中肌肉疲劳的SVM算法

在基于表面肌电信号的人机交互系统中,产生的肌肉疲劳降低了系统的稳定性。针对该问题,分析肌肉正常状态和疲劳状态下的肌电信号变化规律,提出一种改进的在线支持向量机增量训练算法。该算法在每次训练SVM(Support Vector Machine)模型时,计算各样本到分类超平面的距离,并以之为条件对不断更新的训练数据进行有条件的选择和遗忘,只留下最大距离1/2以内的数据。通过在线训练不断更新训练样本来获得新的SVM模型,用于适应肌肉疲劳过程中肌电信号的变化,同时防止多次在线训练过程中更新的样本改变训练集间初始边界。最后在智能轮椅上进行验证,实验结果表明:该算法有效减少了肌肉疲劳在人机交互系统中的影响,使得系统能够保持长时间稳定操作。

用于人机交互的静态手势识别系统

提出并实现一个用于人机交互的静态手势识别系统。基于皮肤颜色模型进行手势分割,并用傅里叶描述子描述轮廓。采用针对小样本特别有效且范化误差有界的支持向量机方法:最小二乘支持向量机(LS SVM)作为分类器。提出了LS SVM的增量训练方式,避免了费时的矩阵求逆操作。为实现多类手势识别,利用DAG(DirectedAcyclicGraph)将多个两类LS SVM结合起来。对26个字母手势进行识别,与多层感知器、径向基函数网络等方法比较,LS SVM的识别率最高,为93.62%。