基于emg的可穿戴式文本输入系统及方法
【技术领域】
[0001]本发明涉及智能识别领域，尤其涉及一种基于EMG的可穿戴式文本输入系统及方法。
【背景技术】
[0002]如今，穿戴式技术在国际计算机学术界和工业界一直都备受关注，只不过由于造价成本高和技术复杂，很多相关设备仅仅停留在概念领域。随着移动互联网的发展、技术进步和高性能低功耗处理芯片的推出等，部分穿戴式设备已经从概念化走向商用化，新式穿戴式设备不断传出，谷歌、苹果、微软、索尼、奥林巴斯、摩托罗拉等诸多科技公司也都开始在这个全新的领域深入探索。“穿戴式智能设备”是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、腕带、手表、服饰及鞋等，极大地提高了生活的质量、工作的效率，逐渐向小型化、多功能、续航能力强等方面发展。据研究，到2016年，全球穿戴式智能设备市场的规模，将达到60亿美元。
[0003]在这种趋势之下，众多研究人员一直在深挖可穿戴技术的潜力，探讨可穿戴技术与其他工具或技术的结合，比如谷歌的Google glass，苹果的Apple watch等等。相比之下传统的键盘就显得极为笨重了，而且功能较为单一，现在还没有一种有效的可穿戴的虚拟键盘应用。
【发明内容】
[0004]为了解决现有技术中的问题，本发明提供了基于EMG的可穿戴式文本输入系统及方法，解决现有技术中没有可穿戴设备实现文本识别的问题。
[0005]本发明是通过以下技术方案实现的:设计、制造了一种基于EMG的可穿戴式文本输入系统，包括腕带主体以及传感器模块，所述腕带主体内嵌惯性测试单元MU、处理器、存储器、通信模块以及扩展槽;所述传感器模块嵌入所述扩展槽中；所述传感器将肌电生物电变化信息传送给所述处理器;所述惯性测试单元IMU记录分析手臂的运动信息并传送给所述处理器;所述通信模块将分析后的字符信息进行传输。
[0006]作为本发明的进一步改进:所述传感器模块为肌电传感器，所述肌电传感器感知敲击动作产生的肌电生物电变化，将之转化为离散的数字信号并发送至处理器。
[0007]作为本发明的进一步改进:所述腕带主体内置电源模块，所述电源模块为电池或外接充电;所述腕带主体上的接口用于充电或数据传输。
[0008]作为本发明的进一步改进:所述处理器对传感器模块和惯性测试单元MU传输过来的信号进行特征提取、自学习、按键动作识别与匹配和文本组合之后将匹配的字符通过通信模块发送出去。
[0009]作为本发明的进一步改进:所述肌电传感器含有五个电极，其中两个在侧边用于连接扩展槽，另外三个在底部用于感知肌电变化。
[0010]本发明同时提供了一种基于EMG的可穿戴式文本输入方法，包括如下步骤:(SlOl)接收传感器模块的数据信息；(S102)进行特征提取；(S103)建立特征集；(S105)字符识别；(S105)生成文本字符。
[0011]作为本发明的进一步改进:所述步骤(SlOl)中，根据训练模型，把传感器模块和惯性测试单元MU在每个时间窗口内感知的信号收集起来，并建立起数据模型，存储于存储器内；其中传感器模块捕捉手指敲击纸质键盘时肌电产生的生物电变化信号；MU捕捉手臂移动时加速度传感器和陀螺仪的读数，分析可获得手臂的移动轨迹。
[0012]作为本发明的进一步改进:所述步骤(S102)中，通过滤波算法去除影响EMG信号的噪音，然后提取出有用的特征信号;所述步骤(S103)中，根据训练模型对最新的特征数据进行处理，建立起结构化的特征模型;所述步骤(S105)中，分析数据模型，根据匹配算法，识别出每次动作的所对应的按键，确定用户所欲输入的字符;所述步骤(S106)中，根据语法规则，对缺失的字符进行上下文分析，然后模糊修复，输出文本信息。
[0013]作为本发明的进一步改进:所述的基于EMG的可穿戴式文本输入方法还包括自学习步骤，具体为:根据最新的特征集，结合历史特征模型，对数据进行进一步修正，为识别模型提供精确的数据，提供了灵活的接口。
[0014]作为本发明的进一步改进:所述传感器模块为肌电传感器，所述肌电传感器感知敲击动作产生的肌电生物电变化，将之转化为离散的数字信号并发送至处理器;所述惯性测试单元IMU记录分析手臂的运动信息并传送给所述处理器;所述通信模块将分析后的字符信息进行传输。
[0015]本发明的有益效果是:智能腕带更便携，更时尚；可拆卸的设计增加了设备的趣味性，传感器合理的选择能提高精度的同时也降低了能耗。
[0016]【【附图说明】】
图1是本发明基于EMG的可穿戴式文本输入系统的演示示意图。
[0017]图2是本发明基于EMG的可穿戴式文本输入系统的腕带主体的侧面图。
[0018]图3是本发明基于EMG的可穿戴式文本输入系统的腕带主体的展开图。
[0019]图4是本发明肌电传感器连接示意图。
[0020]图5是本发明基于EMG的可穿戴式文本输入系统结构示意图。
[0021 ]图6是本发明基于EMG的可穿戴式文本输入方法的流程示意图。
[0022]【【具体实施方式】】
下面结合【附图说明】及【具体实施方式】对本发明进一步说明。
[0023]一种基于EMG的可穿戴式文本输入系统，包括腕带主体以及传感器模块，所述腕带主体内嵌惯性测试单元頂U、处理器、存储器、通信模块以及扩展槽;所述传感器模块嵌入所述扩展槽中；所述传感器将肌电生物电变化信息传送给所述处理器;所述惯性测试单元MU记录分析手臂的运动信息并传送给所述处理器;所述通信模块将分析后的字符信息进行传输。
[0024]所述传感器模块为肌电传感器，所述肌电传感器感知敲击动作产生的肌电生物电变化，将之转化为离散的数字信号并发送至处理器。
[0025]所述腕带主体内置电源模块，所述电源模块为电池或外接充电；所述腕带主体上的接口用于充电或数据传输。
[0026]所述处理器对传感器模块和惯性测试单元IMU传输过来的信号进行特征提取、自学习、按键动作识别与匹配和文本组合之后将匹配的字符通过通信模块发送出去。
[0027]所述肌电传感器含有五个电极，其中两个在侧边用于连接扩展槽，另外三个在底部用于感知肌电变化。
[0028]本发明同时提供了一种基于EMG的可穿戴式文本输入方法，包括如下步骤:(SlOl)接收传感器模块的数据信息；(S102)进行特征提取；(S103)建立特征集；(S105)字符识别；(S105)生成文本字符。
[0029]所述步骤(SlOl)中，根据训练模型，把传感器模块和惯性测试单元頂U在每个时间窗口内感知的信号收集起来，并建立起数据模型，存储于存储器内；其中传感器模块捕捉手指敲击纸质键盘时肌电产生的生物电变化信号；MU捕捉手臂移动时加速度传感器和陀螺仪的读数，分析可获得手臂的移动轨迹。
[0030]所述步骤(S102)中，通过滤波算法去除影响EMG信号的噪音，然后提取出有用的特征信号;所述步骤(S103)中，根据训练模型对最新的特征数据进行处理，建立起结构化的特征模型;所述步骤(S105)中，分析数据模型，根据匹配算法，识别出每次动作的所对应的按键，确定用户所欲输入的字符;所述步骤(S106)中，根据语法规则，对缺失的字符进行上下文分析，然后模糊修复，输出文本信息。
[0031]所述的基于EMG的可穿戴式文本输入方法还包括自学习步骤，具体为:根据最新的特征集，结合历史特征模型，对数据进行进一步修正，为识别模型提供精确的数据，提供了灵活的接口。
[0032]所述传感器模块为肌电传感器，所述肌电传感器感知敲击动作产生的肌电生物电变化，将之转化为离散的数字信号并发送至处理器;所述惯性测试单元MU记录分析手臂的运动信息并传送给所述处理器;所述通信模块将分析后的字符信息进行传输。
[0033]相比之下，本发明可以与其他睡眠监测、测步等功能集合与同一个设备上，同时提供多个功能