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。
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。**
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!