python对肌电信号进行简单的手势识别_python肌电信号标记

内翻

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')

握拳

张手

内弯

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)
mav_toright_ax.scatter(x=np.arange(24),y=mav_toright.ch1,c='r')
mav_toright_ax.scatter(x=np.arange(24),y=mav_toright.ch2,c='g')
mav_toright_ax.scatter(x=np.arange(24),y=mav_toright.ch3,c='b')
mav_toright_ax.scatter(x=np.arange(24),y=mav_toright.ch4,c='y')
mav_toleft_ax=plt.subplot2grid((1,4),(0,3),colspan=1)
mav_toleft_ax.scatter(x=np.arange(20),y=mav_toleft.ch1,c='r')
mav_toleft_ax.scatter(x=np.arange(20),y=mav_toleft.ch2,c='g')
mav_toleft_ax.scatter(x=np.arange(20),y=mav_toleft.ch3,c='b')
mav_toleft_ax.scatter(x=np.arange(20),y=mav_toleft.ch4,c='y')

文末有福利领取哦~

👉一、Python所有方向的学习路线

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。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

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，可以戳这里无偿获取

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！
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，可以戳这里无偿获取

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！