2024年最全python对肌电信号进行简单的手势识别_python肌电信号标记，2024年最新腾讯开发岗面试流程

sfdsfgdgd

于 2024-05-10 11:34:39 发布

阅读量831

点赞数 25

分类专栏：程序员文章标签： python 学习面试

本文链接：https://blog.csdn.net/sfdsfgdgd/article/details/138658539

版权

程序员专栏收录该内容

144 篇文章 1 订阅

订阅专栏

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

在这里插入图片描述

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

在这里插入图片描述

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

在这里插入图片描述

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

names['mean_semg_%s'%i]=get_mean_semg(names['data%s'%i])
plt.figure()
plt.plot(names['mean_semg_%s'%i])
plt.ylim(0,5)
plt.savefig('a%s'%i,dpi=400)


![](https://pic4.zhimg.com/80/v2-db6bf3200a5798bcae69fc29fe7dcfd7_hd.jpg)


握拳


![](https://pic1.zhimg.com/80/v2-58d0ad9496daeadb8d80c0bb63ed2e34_hd.jpg)


张手


![](https://pic3.zhimg.com/80/v2-979316260d8847ad2ddb4993df4b81ab_hd.jpg)


内翻


![](https://pic2.zhimg.com/80/v2-56a76307d169d9e857ef53e99b5518b7_hd.jpg)


外翻

def get_move_window(mean_semg):
mean_semg_arr=np.array(mean_semg)
return pd.rolling_mean(mean_semg_arr,window=800)

def get_break(data,i,thre,windowlenth):
for i in range(i,i+windowlenth):
if data[i]<thre:
return 0
return 1

for i in range(1,5):
names[‘move_averge_%s’%i]=get_move_window(names[‘mean_semg_%s’%i])
names[‘sta_%s’%i]=[]
names[‘end_%s’%i]=[]
thre=1.1
windowlenth=800
for j in range(len(names[‘move_averge_%s’%i])-1):
if get_break(names[‘move_averge_%s’%i],j,thre,windowlenth)==0 and get_break(names[‘move_averge_%s’%i],j+1,thre,windowlenth)==1:
names[‘sta_%s’%i].append(j)
if get_break(names[‘move_averge_%s’%i],j,thre,windowlenth)==1 and get_break(names[‘move_averge_%s’%i],j+1,thre,windowlenth)==0:
names[‘end_%s’%i].append(j)


 


获取平均值起始点，并将对应时间点作用于原始信号上，对四通道信号进行行动段提取，并将长度较小的部分过滤，视为噪音

for i in range(1,5):
names[‘period_%s’%i]=[]
names[‘sta_filt_%s’%i]=[]
names[‘end_filt_%s’%i]=[]
for j in range(len(names[‘sta_%s’%i])):
names[‘period_%s’%i].append(names[‘end_%s’%i][j]-names[‘sta_%s’%i][j])
for k in range(len(names[‘period_%s’%i])):
if names[‘period_%s’%i][k]>5000:
names[‘sta_filt_%s’%i].append(names[‘sta_%s’%i][k])
names[‘end_filt_%s’%i].append(names[‘end_%s’%i][k])
for i in range(1,len(sta_filt_1)+1):
names[‘data1_cut%s’%i]=data1[sta_filt_1[i-1]:end_filt_1[i-1]]
for i in range(1,len(sta_filt_2)+1):
names[‘data2_cut%s’%i]=data2[sta_filt_2[i-1]:end_filt_2[i-1]]
for i in range(1,len(sta_filt_3)+1):
names[‘data3_cut%s’%i]=data3[sta_filt_3[i-1]:end_filt_3[i-1]]
for i in range(1,len(sta_filt_4)+1):
names[‘data4_cut%s’%i]=data4[sta_filt_4[i-1]:end_filt_4[i-1]]

plt.figure(figsize=(50,3))
for i in range(1,21):
plt.subplot2grid((1,20),(0,i-1),colspan=1).plot(names[‘data1_cut%s’%i])
plt.ylim(0,10)
plt.title(‘fist’)
plt.figure(figsize=(50,3))
for i in range(1,22):
plt.subplot2grid((1,21),(0,i-1),colspan=1).plot(names[‘data2_cut%s’%i])
plt.ylim(0,10)
plt.title(‘open’)
plt.figure(figsize=(50,3))
for i in range(1,25):
plt.subplot2grid((1,24),(0,i-1),colspan=1).plot(names[‘data3_cut%s’%i])
plt.ylim(0,10)
plt.title(‘toright’)
plt.figure(figsize=(50,3))
for i in range(1,21):
plt.subplot2grid((1,20),(0,i-1),colspan=1).plot(names[‘data4_cut%s’%i])
plt.ylim(0,10)
plt.title(‘toleft’)


![](https://pic2.zhimg.com/80/v2-079dbb2d0efa13ed796e111eeb6f3535_hd.jpg)


握拳


![](https://pic4.zhimg.com/80/v2-2aa85121c8e3b912a43b65f50af6644b_hd.jpg)


张手


![](https://pic2.zhimg.com/80/v2-52bebd32c9ad6c1e7044d06cbf7df534_hd.jpg)


内弯


![](https://pic2.zhimg.com/80/v2-f9abc440e25b360fe7cc00eb6bb66230_hd.jpg)


外翻


对各通道行动段求区间的平均值MAV，可以看出对于不同的动作，MAV值区别明显，可以作为特征向量对信号进行特征提取

mav_fist=pd.DataFrame(columns=[‘ch1’,‘ch2’,‘ch3’,‘ch4’],index=[np.arange(20)])
for i in range(1,21):
mav_fist.loc[i-1,‘ch1’]=names[‘data1_cut%s’%i].ch1.mean()
mav_fist.loc[i-1,‘ch2’]=names[‘data1_cut%s’%i].ch2.mean()
mav_fist.loc[i-1,‘ch3’]=names[‘data1_cut%s’%i].ch3.mean()
mav_fist.loc[i-1,‘ch4’]=names[‘data1_cut%s’%i].ch4.mean()
mav_open=pd.DataFrame(columns=[‘ch1’,‘ch2’,‘ch3’,‘ch4’],index=[np.arange(21)])
for i in range(1,22):
mav_open.loc[i-1,‘ch1’]=names[‘data2_cut%s’%i].ch1.mean()
mav_open.loc[i-1,‘ch2’]=names[‘data2_cut%s’%i].ch2.mean()
mav_open.loc[i-1,‘ch3’]=names[‘data2_cut%s’%i].ch3.mean()
mav_open.loc[i-1,‘ch4’]=names[‘data2_cut%s’%i].ch4.mean()
mav_toright=pd.DataFrame(columns=[‘ch1’,‘ch2’,‘ch3’,‘ch4’],index=[np.arange(24)])
for i in range(1,25):
mav_toright.loc[i-1,‘ch1’]=names[‘data3_cut%s’%i].ch1.mean()
mav_toright.loc[i-1,‘ch2’]=names[‘data3_cut%s’%i].ch2.mean()
mav_toright.loc[i-1,‘ch3’]=names[‘data3_cut%s’%i].ch3.mean()
mav_toright.loc[i-1,‘ch4’]=names[‘data3_cut%s’%i].ch4.mean()
mav_toleft=pd.DataFrame(columns=[‘ch1’,‘ch2’,‘ch3’,‘ch4’],index=[np.arange(20)])
for i in range(1,21):
mav_toleft.loc[i-1,‘ch1’]=names[‘data4_cut%s’%i].ch1.mean()
mav_toleft.loc[i-1,‘ch2’]=names[‘data4_cut%s’%i].ch2.mean()
mav_toleft.loc[i-1,‘ch3’]=names[‘data4_cut%s’%i].ch3.mean()
mav_toleft.loc[i-1,‘ch4’]=names[‘data4_cut%s’%i].ch4.mean()

plt.figure(figsize=(20,5))
mav_fist_ax=plt.subplot2grid((1,4),(0,0),colspan=1)
mav_fist_ax.scatter(x=np.arange(20),y=mav_fist.ch1,c=‘r’)
mav_fist_ax.scatter(x=np.arange(20),y=mav_fist.ch2,c=‘g’)
mav_fist_ax.scatter(x=np.arange(20),y=mav_fist.ch3,c=‘b’)
mav_fist_ax.scatter(x=np.arange(20),y=mav_fist.ch4,c=‘y’)
mav_open_ax=plt.subplot2grid((1,4),(0,1),colspan=1)
mav_open_ax.scatter(x=np.arange(21),y=mav_open.ch1,c=‘r’)
mav_open_ax.scatter(x=np.arange(21),y=mav_open.ch2,c=‘g’)
mav_open_ax.scatter(x=np.arange(21),y=mav_open.ch3,c=‘b’)
mav_open_ax.scatter(x=np.arange(21),y=mav_open.ch4,c=‘y’)
mav_toright_ax=plt.subplot2grid((1,4),(0,2),colspan=1)