摘要：表面肌电信号（sEMG）作为一种重要的生物电信号，在人机交互、康复医疗等领域具有广泛应用前景。然而，sEMG信号易受噪声干扰，影响手势识别准确率。本文针对传统小波阈值降噪方法存在的不足，提出了一种改进的小波阈值降噪算法，并构建了完整的手势识别系统。
项目简介
基于改进小波阈值的sEMG信号降噪与手势识别系统：提出自适应阈值降噪算法，提取34维多域特征，集成四种分类器实现76%识别准确率，并开发PyQt5可视化平台。
项目方案：基于改进小波阈值的sEMG信号降噪与手势识别系统设计与实现
系统概述
本文系统分析了sEMG信号的生理特性及噪声来源，针对传统小波阈值函数存在的伪吉布斯现象和信号失真问题，提出了基于自适应阈值调整的改进小波降噪方法。该方法通过引入尺度相关因子λ(j)和改进的阈值函数，实现了阈值的自适应选择，在保留信号有效成分的同时有效抑制噪声。实验结果表明，改进算法相比传统软阈值和硬阈值方法，信噪比（SNR）平均提升7.2dB，均方根误差（RMSE）降低15.3%。
构建了多域特征提取框架，从时域、频域和时频域三个维度提取34维特征向量。时域特征包括均方根值（RMS）、方差（VAR）、过零率（ZCR）等8个指标；频域特征包括平均功率频率（MPF）、中值频率（MDF）等12个指标；时频域特征包括小波能量、小波熵等14个指标。通过主成分分析（PCA）验证了特征向量的有效性，累计方差贡献率达92.6%。
对比分析了支持向量机（SVM）、随机森林（RF）、K近邻（KNN）和多层感知机（MLP）四种分类器在手势识别任务中的性能。实验采用5种典型手势（握拳、张开、捏取、指点、静息），通过10折交叉验证评估模型性能。结果显示，随机森林和MLP分类器表现最优，识别准确率分别达到76.4%和76.1%，F1-score分别为0.758和0.753。此外，本文基于PyQt5框架开发了可视化系统，集成了信号采集、实时降噪、特征提取和手势识别功能，为sEMG信号处理提供了完整的软件解决方案。
系统架构
本系统采用四层架构设计：表示层基于PyQt5实现登录注册和主界面GUI，集成Matplotlib进行数据可视化；业务逻辑层包含信号降噪模块（改进小波阈值算法）、特征提取模块（34维多域特征）和分类识别模块（SVM/RF/KNN/MLP四种分类器）；数据处理层负责信号生成、数据加载和预处理（带通滤波、归一化）；数据存储层管理用户数据库（SQLite）、训练数据集和模型文件。数据流从原始sEMG信号输入，经过预处理→小波降噪→多域特征提取（时域8维+频域12维+时频域14维）→分类器识别，最终输出手势识别结果并可视化展示，整个系统采用模块化设计，各模块独立解耦，支持灵活扩展和维护。
快速开始
安装依赖后运行python mainwindow.py启动系统，注册登录后选择手势类型点击"生成信号"→"开始降噪"→"识别手势"即可完成从信号采集到手势识别的完整流程，系统提供50个测试样本可直接加载使用。
环境要求
Python 3.8+环境，安装numpy、scipy、pywavelets、scikit-learn、matplotlib、PyQt5六个依赖库，建议4GB内存和1400×900分 辨率显示器。
结果展示
图1 登录界面
图2 注册界面
图3 主界面
合成信号
图4 生成合成信号-握拳
图5 改进阈值法-识别结果-握
图6 软阈值法-识别结果-握拳/p>
图7 硬阈值法-识别结果-握拳
真实数据
图8 加载真实数据
图9 改进阈值法-识别结果-张开
图10 软阈值法-识别结果-张开
图11 硬阈值法-识别结果-张开
结果点评
本系统成功实现了基于改进小波阈值的sEMG信号降噪与手势识别完整流程，核心创新点在于提出的自适应阈值降噪算法相比传统方法SNR提升约7dB，有效抑制了肌电信号中的高频噪声和基线漂移。特征提取模块构建了34维多域特征向量（时域8维+频域12维+时频域14维），全面刻画了sEMG信号的时频特性。分类器对比实验表明，RandomForest和MLP表现最优，识别准确率均达到76%以上，SVM达到72%，KNN为69%，证明了多域特征对手势识别的有效性。系统开发的PyQt5可视化平台实现了信号生成、降噪处理、特征提取、手势识别的端到端操作，界面美观现代，实时展示原始信号、降噪效果、频谱分析和特征分布五个维度的可视化结果，并提供性能指标量化评估。整体而言，该系统算法创新性强、功能完整、界面友好，具备较强的实用价值和学术价值。
项目资源
包括完整的项目源代码、演示视频、运行截图，开箱即用。
关于项目
作者信息
作者：Bob (张家梁)
原创声明：本项目为原创作品