手势识别是指通过计算机自动检测、分析并识别出人体各种手势,由此判断人类的意图。现有的手势识别技术考虑的是幅度较大且指向单一的动作,考虑到日常生活中所用手势动作的复杂性和多态性。因此为了识别出微小手势,本文设计了12种关于手指活动情况的手势(如手指抬起或弯曲),采集12种手势的表面肌电信号。以表面肌电信号为研究对象,采用基于矢量分组学习头脑风暴算法的混合核函数支持向量机模型对12种手指手势进行分类识别,12种手势的分类精度可达到90%。详细研究内容如下:首先,手势动作的设计是手势识别分类的前提,设计一组在日常生活中能经常使用的手势对于各领域的应用是非常有意义的。因此,在手势设计方面,本文考虑人体手指活动情况,根据右手的5个手指弯曲或抬起以及拇指的内收与外展设计了12种手势。同时确定每种手势与手臂肌肉收缩的相关性,以及表面电极贴片的安放位置,完成12种手指手势表面肌电信号的数据采集工作。然后,考虑到采集的sEMG信号容易混入噪声干扰,采用巴特沃斯滤波器和50Hz陷波器对信号进行去噪处理;鉴于手势动作信号特征提取对手势识别分类的重要性,通过主成分分析法对提取的4种手势动作特征降维形成一种联合特征信号,提高模型对手势动作特征信号的识别度。最后,考虑到分类模型设计对手势分类识别的重要性,本文采用有向无环-支持向量机构建多类分类器。针对支持向量机中单核函数的学习性能和泛化性能存在的问题,提出一种新的矢量分组学习头脑风暴算法对混合核函数SVM进行参数优化。并且详细对比多项式核函数、RBF核函数以及混合核函数对于模型分类精度的影响,实验结果表明采用矢量分组学习头脑风暴算法优化的混合核函数SVM模型对于采集的数据集识别精度更高,稳定性更强。