基于DWPSO-SVM的sEMG手势动作识别

为了提高表面肌电信号(surface Electromyographic signal, sEMG)手势动作识别的准确率，本文提出基于双权重粒子群算法(Particle Swarm Optimization, PSO)优化支持向量机(Support Vector Machine, SVM)的分类模型(DWPSO-SVM)。针对传统PSO在参数寻优时易陷入“早熟”问题，进一步提高粒子寻优能力，本文在标准PSO的基础上引入约束因子结合同向更新策略用于速度约束，有效的提高了粒子的寻优能力并缓解了“早熟”现象；其次，分析了多种权重更新策略对惯性权重和约束因子的影响；最终，采用非线性更新策略结合DWPSO优化SVM模型构建特征分类模型。实验表明，本文提出的DWPSO-SVM模型能够有效完成sEMG手势动作识别任务。