基于FPGA的實(shí)時(shí)手勢(shì)識(shí)別系統(tǒng)*

張永強(qiáng)，陳 香，王從政，董中飛，左鵬飛

(中國(guó)科學(xué)技術(shù)大學(xué)電子科學(xué)技術(shù)系，合肥 230027)

隨著傳感器技術(shù)、通信技術(shù)和IC技術(shù)的快速發(fā)展，人機(jī)交互已經(jīng)從原來(lái)的鍵盤、鼠標(biāo)這種單一的交互模式，迅速發(fā)展成為融合多種傳感器，運(yùn)用多種通信方式的多樣化交互模式［1－2］。手勢(shì)識(shí)別是當(dāng)下人機(jī)交互領(lǐng)域的熱點(diǎn)研究方向之一［3］。目前，市場(chǎng)上和實(shí)驗(yàn)室里已有的手勢(shì)識(shí)別系統(tǒng)主要分為基于數(shù)據(jù)手套和基于計(jì)算機(jī)視覺(jué)的交互系統(tǒng)［4］，它們提供了一種和諧自然的人機(jī)交互方式。但是，基于數(shù)據(jù)手套的系統(tǒng)穿戴復(fù)雜，價(jià)格昂貴，大量推廣比較困難［5］。而基于視覺(jué)的系統(tǒng)易受環(huán)境干擾，識(shí)別率低，不適于大量手勢(shì)識(shí)別［6］。針對(duì)前述兩種手語(yǔ)識(shí)別系統(tǒng)的弊端，基于表面肌電和加速度的手勢(shì)識(shí)別在穿戴和價(jià)格方面有著更多優(yōu)勢(shì)，在手勢(shì)識(shí)別研究中取得了較好的進(jìn)展［7］。

表面肌電信號(hào)是一種可以反映肌肉的活動(dòng)狀態(tài)和強(qiáng)度的電生理信號(hào)。不同的手勢(shì)執(zhí)行過(guò)程中會(huì)伴隨著不同肌肉群的收縮，將表面肌電電極安置在特定的肌肉群位置上，可以檢測(cè)到帶有可分性手勢(shì)信息的表面肌電信號(hào)。表面肌電信號(hào)主要反映的是手型信息和手腕伸屈信息，對(duì)手指動(dòng)作的識(shí)別有著獨(dú)特優(yōu)勢(shì)。例如，Jun-Uk Chu等人對(duì)四通道肌電信號(hào)使用廣義小波變換進(jìn)行特征提取，最終實(shí)現(xiàn)了10類手勢(shì)的識(shí)別，識(shí)別率不低于93%［8］。加速度傳感器可檢測(cè)手臂的空間運(yùn)動(dòng)信息，對(duì)運(yùn)動(dòng)尺度較大的手勢(shì)具有較好的區(qū)分能力。例如，劉劍鋒等人采用隱馬爾科夫模型作為分類器實(shí)現(xiàn)了基于加速計(jì)信號(hào)的八類大幅度手勢(shì)的識(shí)別，識(shí)別率達(dá)88%以上［9］。兩種傳感器在手勢(shì)信息描述上有著不同的優(yōu)勢(shì)，將二者有效的結(jié)合可以實(shí)現(xiàn)較高精度的手勢(shì)識(shí)別。本人所在實(shí)驗(yàn)室對(duì)加速計(jì)與表面肌電傳感器信息進(jìn)行融合，采用多級(jí)決策樹算法在PC機(jī)上實(shí)現(xiàn)了30類以上的典型手語(yǔ)詞和模擬真實(shí)情景對(duì)話的16個(gè)例句的識(shí)別［10］。

目前，基于表面肌電和加速度的手勢(shì)識(shí)別系統(tǒng)多采用PC處理的方式［11－12］，很不利于實(shí)際場(chǎng)合的應(yīng)用。因此，開發(fā)相應(yīng)的嵌入式系統(tǒng)，對(duì)于該項(xiàng)技術(shù)的推廣有著十分重大的意義。FPGA硬件結(jié)構(gòu)完全由用戶自己定義，可以進(jìn)行大量的并行性運(yùn)算，更靈活的實(shí)現(xiàn)各種算法?；诖?，本文設(shè)計(jì)了以FPGA為核心的嵌入式系統(tǒng)，進(jìn)行大量的算法并行化處理，最終實(shí)現(xiàn)了多種手勢(shì)的快速識(shí)別，為將來(lái)進(jìn)一步實(shí)現(xiàn)便攜實(shí)用的手勢(shì)識(shí)別系統(tǒng)奠定了基礎(chǔ)。

1 系統(tǒng)實(shí)現(xiàn)

FPGA實(shí)時(shí)手勢(shì)識(shí)別平臺(tái)的實(shí)物圖和硬件結(jié)構(gòu)圖分別如圖1和圖2所示。從硬件上，系統(tǒng)分成三個(gè)模塊:無(wú)線數(shù)據(jù)采集發(fā)送模塊、數(shù)據(jù)處理模塊和結(jié)果顯示模塊。

圖1 手勢(shì)識(shí)別系統(tǒng)實(shí)物圖

圖2 系統(tǒng)硬件結(jié)構(gòu)框圖

1.1 無(wú)線數(shù)據(jù)采集發(fā)送模塊

本文所用無(wú)線數(shù)據(jù)采集發(fā)送模塊［13］如圖1(a)所示。模塊尺寸為長(zhǎng)35 mm，寬20 mm，厚11 mm，把sEMG或ACC的信號(hào)采集和數(shù)據(jù)的無(wú)線收發(fā)部分組裝在了一起，非常適合穿戴在人體上。

sEMG信號(hào)由實(shí)驗(yàn)室自制的sEMG傳感器獲取，ACC信號(hào)來(lái)自加速計(jì)芯片 MMA7361。選用C8051F411為控制器，C8051F411通過(guò)自帶的12位ADC對(duì)傳感器輸出信號(hào)采樣，然后，控制射頻芯片CC2500把數(shù)據(jù)發(fā)射出去。經(jīng)測(cè)定，sEMG傳感器工作時(shí)的信噪比保持在20 dB以上(此處信噪比指做手勢(shì)產(chǎn)生的sEMG信號(hào)幅度與靜止?fàn)顟B(tài)下電極測(cè)量的噪聲幅度之比)，ACC芯片工作于1.5 gn模式時(shí)可以產(chǎn)生分辨率高達(dá)800 mV/gn的模擬三軸加速度信號(hào)，每個(gè)ACC芯片為系統(tǒng)提供來(lái)自三個(gè)方向的三通道ACC信號(hào)。無(wú)線通信方面，選用了TI公司的CC2500無(wú)線收發(fā)芯片，芯片工作穩(wěn)定，且尺寸較小。由于芯片工作在2.4GHz頻段，故其所需天線的尺寸也比較小，可將天線集成在PCB板上以達(dá)到縮小電極體積的目的。同時(shí)，CC2500還具有功耗低等優(yōu)點(diǎn)，有助于降低移動(dòng)設(shè)備的功耗。

如圖3所示，在用戶雙手前臂手臂各放置5個(gè)sEMG模塊和1個(gè)ACC模塊，就構(gòu)成了本系統(tǒng)所需的基于sEMG和ACC的16通道無(wú)線數(shù)據(jù)采集前端。

圖3 ACC和SEMG傳感器的放置

1.2 信號(hào)處理模塊

本系統(tǒng)信號(hào)接收端為兩片 CC2500，直接由FPGA通過(guò)SPI接口控制，二者相互獨(dú)立工作于兩個(gè)頻段，互不干擾。

信號(hào)處理模塊主要由FPGA組成，如圖1(b)所示。FPGA選用EP3C10E144，屬于Altera CycloneⅢ系列，具有423Kbit的嵌入式存儲(chǔ)器，10320個(gè)邏輯單元(LE)，95個(gè)用戶I/O管腳和46個(gè)硬件乘法器。

基于sEMG信號(hào)和ACC信號(hào)的手勢(shì)識(shí)別，在算法流程上分為活動(dòng)段檢測(cè)、特征提取和分類識(shí)別三個(gè)步驟。FPGA內(nèi)部功能具體實(shí)現(xiàn)框圖如圖4所示。

圖4 FPGA內(nèi)部模塊框圖

1.2.1 活動(dòng)段獲取算法實(shí)現(xiàn)

信號(hào)是否進(jìn)入活動(dòng)段，通過(guò)監(jiān)測(cè)sEMG信號(hào)來(lái)決定。多通道sEMG數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)匯總模塊后，以幀為單位發(fā)送給活動(dòng)段監(jiān)測(cè)模塊，每幀中含有5個(gè)通道的數(shù)據(jù)，按時(shí)間先后順序沿并行信號(hào)線依次發(fā)送。幀的同步信號(hào)標(biāo)識(shí)每幀的開始，每通道的信號(hào)由位的同步信號(hào)標(biāo)識(shí)。

活動(dòng)段檢測(cè)算法采用絕對(duì)值移動(dòng)平均(AMA)［14］的方法，其FPGA實(shí)現(xiàn)原理如圖5所示。先取得各通道sEMG信號(hào)絕對(duì)值的和，設(shè)置一個(gè)累加器1，用幀同步信號(hào)作為累加器1的清零端，用位同步信號(hào)作為累加器1時(shí)鐘，數(shù)據(jù)取絕對(duì)值后流入累加器1，每個(gè)幀同步來(lái)到時(shí)累加器1輸出一次結(jié)果。32點(diǎn)移動(dòng)平均用移位寄存器的結(jié)構(gòu)實(shí)現(xiàn)，幀同步信號(hào)為移位寄存器提供時(shí)鐘，在每個(gè)時(shí)鐘周期進(jìn)行一次移位，累加器2加入新進(jìn)寄存器的值，減去移出寄存器的值，累加的結(jié)果與閾值比較。這種移位相加結(jié)構(gòu)實(shí)現(xiàn)的活動(dòng)段檢測(cè)效率高，消耗的資源少，在FPGA上實(shí)現(xiàn)具有一定的優(yōu)勢(shì):假如試圖用程序而不是邏輯實(shí)現(xiàn)該結(jié)構(gòu)，每次移位需要執(zhí)行32次賦值操作，而在FPGA中，只需一個(gè)時(shí)鐘周期就可完成任意點(diǎn)數(shù)的移位。本系統(tǒng)使用兩個(gè)這樣的活動(dòng)段監(jiān)測(cè)模塊以實(shí)現(xiàn)雙手手勢(shì)的獨(dú)立并行處理。

圖5 活動(dòng)段檢測(cè)的FPGA實(shí)現(xiàn)

1.2.2 特征提取算法實(shí)現(xiàn)

對(duì)于sEMG信號(hào)，采用每通道的絕對(duì)值均值作為特征。首先把接收到的每一個(gè)數(shù)據(jù)經(jīng)匯總后存入外部的SRAM中，當(dāng)信號(hào)進(jìn)入活動(dòng)段時(shí)，對(duì)此時(shí)的數(shù)據(jù)所在的片外SRAM的地址進(jìn)行標(biāo)記;當(dāng)動(dòng)作完成后，再對(duì)此時(shí)的數(shù)據(jù)所在的片外SRAM的地址進(jìn)行標(biāo)記。這樣，當(dāng)一個(gè)動(dòng)作完成時(shí)，根據(jù)標(biāo)記的地址，集中的把活動(dòng)段以內(nèi)的數(shù)據(jù)讀出來(lái)進(jìn)行特征提取運(yùn)算。

ACC信號(hào)作用是判別手勢(shì)所處的運(yùn)動(dòng)狀態(tài)與方位，取平均值A(chǔ)=∑Xi/N作為手勢(shì)方位的判斷，用一階矩u=∑ |Xi－A|/N判斷運(yùn)動(dòng)的劇烈程度。由于求取平均值同求取一階矩十分相似，可以寫成統(tǒng)一的形式F=∑ |Xi－C|/N，求取平均值A(chǔ)時(shí)令C=0，求取一階矩u時(shí)令C=A。在CPU上，這種處理方式會(huì)引來(lái)更大的時(shí)間開支，因?yàn)榍笕【档臅r(shí)候做了不必要做的處理。但是在FPGA中只需要做一個(gè)這樣的結(jié)構(gòu)，循環(huán)兩次就可以先后得到均值和一階矩，恰恰減少了FPGA資源的消耗。實(shí)現(xiàn)原理如圖6所示。

圖6 ACC信號(hào)特征求解的FPGA實(shí)現(xiàn)

由于除法運(yùn)算會(huì)占用大量的邏輯單元和時(shí)鐘周期，根據(jù)實(shí)際情況，整個(gè)活動(dòng)段的ACC點(diǎn)數(shù)N不會(huì)超過(guò)256個(gè)，采取把除法變換為乘法的方式，把所有可能出現(xiàn)的N的倒數(shù)1/N(0－255)乘以65536(2的16次方)得到65536/N，按對(duì)應(yīng)的存入一個(gè)單獨(dú)分配的內(nèi)嵌RAM中，以N為對(duì)應(yīng)數(shù)據(jù)的地址，發(fā)送給內(nèi)部生成的ROM，就可以在下一個(gè)時(shí)鐘周期得到65536/N的數(shù)值。然后使用內(nèi)置的硬件乘法器做乘法，同時(shí)右移16位，即可在一個(gè)時(shí)鐘周期里得到運(yùn)算結(jié)果，最低精度為千分之一。通過(guò)犧牲一個(gè)硬件乘法器和少數(shù)存儲(chǔ)單元，換來(lái)了幾十倍以上的時(shí)間和邏輯單元，并且保證了運(yùn)算的精度，這種方式對(duì)于擁有著豐富硬件乘法器和大量?jī)?nèi)嵌存儲(chǔ)器的FPGA來(lái)說(shuō)，是十分合理的。

1.2.3 識(shí)別算法實(shí)現(xiàn)

識(shí)別算法分為兩個(gè)步驟:①通過(guò)ACC特征鎖定手勢(shì)動(dòng)作的方位和運(yùn)動(dòng)的劇烈程度，完成預(yù)分類;②使用sEMG特征完成最終分類。首先，通過(guò)特征提取得到三軸ACC信號(hào)的均值和一階矩，再通過(guò)三軸ACC信號(hào)的均值可以得知當(dāng)前手勢(shì)所處的方位。把三軸ACC信號(hào)的一階矩的和同某一閾值作比較，如果小于該閾值，判定該手勢(shì)為靜態(tài)手勢(shì)，否則，判定該手勢(shì)為動(dòng)態(tài)手勢(shì)。

ACC特征的預(yù)分類，可以有效縮小識(shí)別范圍，減少運(yùn)算量。接著，把5通道sEMG的絕對(duì)均值組成特征向量，設(shè)計(jì)正態(tài)分布下的貝葉斯分類器［15－16］對(duì)手勢(shì)動(dòng)作進(jìn)行精確的分類識(shí)別。分類器的結(jié)構(gòu)如圖7所示。

圖7 分類器結(jié)構(gòu)

其中，X=(x1，x2，…，xd－1，xd)T為特征向量，d為特征維數(shù)，wi為類別，gi(X)為類別wi的判別函數(shù)，N為類別數(shù)。本文的貝葉斯分類器使用最小錯(cuò)誤判決規(guī)則，同時(shí)，假定各類別的類條件概率密度函數(shù)P(X|wi)滿足多變量正態(tài)分布，μi和Σi分別表示X在類別wi下的均值向量和協(xié)方差陣。根據(jù)文獻(xiàn)［15］，可取如下函數(shù)作為判別函數(shù):

P(wi)為類別wi發(fā)生的先驗(yàn)概率，這里取每個(gè)類別的先驗(yàn)概率等同，判決函數(shù)可以最終簡(jiǎn)化為

使用多個(gè)樣本對(duì)分類器進(jìn)行訓(xùn)練，獲得判決函數(shù)所需的參數(shù)。當(dāng)前的FPGA手勢(shì)識(shí)別系統(tǒng)尚未加入操作系統(tǒng)，沒(méi)有提供足夠強(qiáng)大的人機(jī)界面進(jìn)行在線訓(xùn)練，訓(xùn)練工作仍然通過(guò)PC機(jī)完成。為了計(jì)算方便，我們把判決函數(shù)所需的已知參數(shù)放在一起組成模板，載入FPGA的自生成ROM中。將當(dāng)前特征向量進(jìn)行有限次數(shù)的加法、乘法之后，即可得到識(shí)別結(jié)果。

在單手手勢(shì)和雙手手勢(shì)的判別上，如果雙手動(dòng)作的活動(dòng)段在時(shí)域上有重合部分，則判別為雙手手勢(shì)。在活動(dòng)段檢測(cè)上，左右手是獨(dú)立的，同時(shí)進(jìn)行的。系統(tǒng)設(shè)定，無(wú)論是單手手勢(shì)，還是雙手手勢(shì)，退出活動(dòng)段后會(huì)立即進(jìn)行特征提取和分類識(shí)別，然后直接把結(jié)果發(fā)送給單片機(jī)。識(shí)別結(jié)果用一個(gè)字節(jié)表示，圖8給出了這個(gè)字節(jié)的組成和每個(gè)bit所代表的含義。單片機(jī)通過(guò)解析這個(gè)字節(jié)便可得知所需信息，進(jìn)一步做出反應(yīng)。這種方式?jīng)]有引入相對(duì)于單手手勢(shì)識(shí)別而言的任何延時(shí)，既兼容了單雙手手勢(shì)的識(shí)別，同時(shí)保證了系統(tǒng)的實(shí)時(shí)性。

圖8 識(shí)別結(jié)果字節(jié)格式定義

1.3 結(jié)果顯示模塊

本模塊由單片機(jī)和液晶顯示模塊(簡(jiǎn)稱LCD)構(gòu)成，單片機(jī)接收到動(dòng)作識(shí)別結(jié)果后，以漢字的形式將結(jié)果在LCD上顯示出來(lái)。系統(tǒng)選用了具有豐富的片上外設(shè)的C8051F340單片機(jī)，其具有全速USB模塊，可方便的實(shí)現(xiàn)單片機(jī)與PC的快速數(shù)據(jù)傳輸，同時(shí)多達(dá)40個(gè)PIO口可方便實(shí)現(xiàn)同F(xiàn)PGA的并口通信和對(duì)LCD的并口控制。

2 結(jié)果與系統(tǒng)性能測(cè)試

我們從識(shí)別準(zhǔn)確率和識(shí)別速度兩方面開展相應(yīng)實(shí)驗(yàn)對(duì)系統(tǒng)性能進(jìn)行測(cè)試。

(1)手勢(shì)識(shí)別準(zhǔn)確率測(cè)試。選取了中國(guó)手語(yǔ)的8個(gè)單手詞和8個(gè)雙手詞對(duì)系統(tǒng)識(shí)別率進(jìn)行測(cè)試，手語(yǔ)詞的圖片如圖9所示。其中，單手詞有:你，好，等號(hào)，壞，部，山，永遠(yuǎn)和現(xiàn)在;雙手詞有:家，人，榜樣，元旦，結(jié)婚，坐，今天和強(qiáng)大。

圖9 16個(gè)中國(guó)手語(yǔ)手勢(shì)

每類動(dòng)作取20個(gè)樣本訓(xùn)練分類器，訓(xùn)練完成后，將分類器參數(shù)載入FPGA中，進(jìn)行識(shí)別率測(cè)試。測(cè)試過(guò)程中，為了統(tǒng)計(jì)方便，規(guī)定每個(gè)動(dòng)作重復(fù)測(cè)試20次。實(shí)驗(yàn)選取了3位同學(xué)A，B，C作為受試者，被正確識(shí)別出的手勢(shì)數(shù)和識(shí)別率如表1所示。從表1可見，本系統(tǒng)實(shí)現(xiàn)了對(duì)16種手勢(shì)動(dòng)作的95%以上的正確識(shí)別。

表1 手勢(shì)識(shí)別測(cè)試結(jié)果

(2)手勢(shì)識(shí)別速度測(cè)試。通過(guò)配置FPGA，引出一個(gè)活動(dòng)段指示管腳和一個(gè)識(shí)別結(jié)果指示管腳，每次識(shí)別時(shí)，用示波器測(cè)量這兩個(gè)管腳電平變化邊沿的時(shí)間差，即識(shí)別時(shí)間(特征提取與分類所需的時(shí)間)。對(duì)多個(gè)時(shí)間長(zhǎng)度不同的動(dòng)作測(cè)量發(fā)現(xiàn)，特征提取和分類所用的時(shí)間基本保持在1.4 ms左右。同CPU主頻為2.5GHz，且擁有2G內(nèi)存的個(gè)人計(jì)算機(jī)相比，運(yùn)用同樣的算法識(shí)別同樣多種類的動(dòng)作時(shí)，F(xiàn)PGA的計(jì)算速度約是計(jì)算機(jī)的4倍，而FPGA目前接入的主時(shí)鐘頻率是50 MHz，約為計(jì)算機(jī)的1/50。經(jīng)過(guò)對(duì)總體邏輯結(jié)構(gòu)的分析認(rèn)為，F(xiàn)PGA進(jìn)行手勢(shì)識(shí)別的主要時(shí)間消耗在分類器模塊。每次識(shí)別過(guò)程中，由于參與分類的判別函數(shù)個(gè)數(shù)是一樣多的，因此，分類器模塊消耗的時(shí)間總是固定的，致使識(shí)別時(shí)間基本不變。

FPGA內(nèi)部資源消耗情況如表2所示。

表2 FPGA資源消耗

3 結(jié)論

本文通過(guò)安置于人體的無(wú)線sEMG傳感模塊和無(wú)線三軸ACC傳感模塊，完成數(shù)據(jù)采集與發(fā)送工作。在數(shù)據(jù)處理上，充分利用FPGA本身的特點(diǎn)，實(shí)現(xiàn)了具有FPGA特色的手勢(shì)動(dòng)作模式識(shí)別算法。實(shí)驗(yàn)證明，本手勢(shì)交互系統(tǒng)可實(shí)現(xiàn)多類手勢(shì)動(dòng)作的準(zhǔn)確實(shí)時(shí)識(shí)別，且具有便攜的特點(diǎn)，對(duì)推廣至其他實(shí)際應(yīng)用場(chǎng)合，或者經(jīng)過(guò)版圖設(shè)計(jì)、后端仿真等設(shè)計(jì)流程，最終研制出手勢(shì)識(shí)別芯片，都具有較高的實(shí)用價(jià)值。

［1］遲健男，王志良，謝秀貞，等.多點(diǎn)觸摸人機(jī)交互技術(shù)綜述［J］.智能系統(tǒng)學(xué)報(bào)，2011，6(1):28－37.

［2］徐寶國(guó)，何樂(lè)生，宋愛國(guó).基于腦電信號(hào)的人機(jī)交互實(shí)驗(yàn)平臺(tái)的設(shè)計(jì)和應(yīng)用［J］.電子測(cè)量與儀器學(xué)報(bào)，2008，22(1):81－85.

［3］Chen Xiang，Zhang Xu，Zhao Zhangyan，et al.Hand Gesture Recognition Research Based on Surface EMG Sensors and 2D-accelerometers［C］//Wearable Computers，2007:11－14.

［4］Mitra S，Acharya T.Gesture Recognition:A Survey［J］.IEEE Transactions on Systems，Man，and Cybernetics，2007，37(3):311－324.

［5］吳江琴，高文，基于DGMM的中國(guó)手語(yǔ)識(shí)別系統(tǒng)［J］.計(jì)算機(jī)研究與發(fā)展，2000，37(5):551－558.

［6］Starner T，Weaver J，Pentland A.Real-Time American Sign Language Recognition Using Desk and Wearable Computer Based Video［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20(12):1371－1375.

［7］AsghariOskoeiM，Hu H.Myoelectric Control Systems—A Survey［J］.BiomedicalSignalProcessing and Control，2007，2(4):275－294.

［8］Jun-Uk Chu，Inhyuk Moon，Mu-Seong Mun.A Real-Time EMG Pattern Recognition System Based on Linear-Nonlinear Feature Projection for a Multifunction Myoelectric Hand［J］.IEEE Transactions on Biomedical Engineering，2006，53(11):2232－2239.

［9］Jianfeng Liu，Zhigeng Pan，Xiangcheng Li.An Accelerometer-Based Gesture Recognition Algorithm and its Application for 3D Interaction［J］.Computer Science and Information Systems，2010，7(1):177－188.

［10］李云，陳香，張旭，等.基于加速計(jì)與表面肌電傳感器信息融合的手語(yǔ)識(shí)別方法［J］.航天醫(yī)學(xué)與醫(yī)學(xué)工程，2010，23(6):419－424.

［11］Anala Pandit，Dhairya Dand，Sisil Mehta，et al.A Simple Wearable Hand Gesture Recognition Device using iMEMS［C］//Soft Computing and Pattern Recognition，2009:592－597.

［12］Chen Xiang，Zhang Xu，Zhao Zhangyan，et al.Multiple Hand Gesture Recognition Based on Surface EMG Signal［C］//International Conference on Bioinformatics and Biomedical Engineering，2007:506－509.

［13］胡巍，趙章琰，陳香，等.無(wú)線多通道表面肌電信號(hào)采集系統(tǒng)設(shè)計(jì)［J］.電子測(cè)量與儀器學(xué)報(bào)，2009，23(11):30－35.

［14］Chen Xiang，Zhang Xu，Zhao Zhangyan，et al.Multiple Hand Gesture Recognition based on Surface EMG Signal［C］//International Conference on Bioinformatics and Biomedical Engineering，2007:506－509.

［15］孫即祥.現(xiàn)代模式識(shí)別［M］.長(zhǎng)沙:國(guó)防科技大學(xué)出版社，2002:91－99.

［16］汪增福.模式識(shí)別［M］.合肥:中國(guó)科學(xué)技術(shù)大學(xué)出版社，2010:87－89.