1.一种基于PSO-PCA-SVM的多通道生理信号体感手势识别方法，其特征在于，具体步骤如下：Step1：采集人体生理信号原始样本；

选择表面肌电信号和脑电信号两个通道的生理信号做体感手势识别的样本，选取多个身体状况健康的志愿者作为实验研究对象，每个实验者都佩戴有可穿戴智能交互设备，设备有表面肌电传感器sEMG和脑电传感器EEG，实验者分别多次做相应动作手势，传感器分别收集每次手势的表面肌电信号和脑电信号，并根据手势类别进行标注；

Step2：生理信号特征提取；

以生理信号作为数据源进行体感手势识别，需要从生理信号中提取出具有代表性的特征作为体感手势分类时的重要指标；

将选用生理信号的时域特征和频域特征来度量生理信号数据的特征，其中时域特征有

7个且均值的表达式为

其中N是信号序列的样本长度， 为归一化后的生理信号值 其中xmin为

生理信号的最小值，xmax为生理信号的最大值，xk表示生理信号的第k个数值；

标准差表达式为

一阶差分能够表征信号变化的快慢以及变化趋势和信号中存在的极点值，表达式为其中，tk为生理信号的采样时间节点；

二阶差分能够检测出信号中的拐点位置，表达式为

在对生理信号进行频域特征提取前，采用傅立叶变换FFT对信号进行处理将时域信号转化为频域信号，并对得到的频域信号提取特征，所提取的频域特征有3个，中值频率表示频谱被分成两个幅度相等的区域的频率，表达式为 pj为是在频率j处的肌电信号功率谱，M为整个频段的长度，均值频率表示功率谱与频率的乘积之和与频谱强度总和的比值，表达式为 其中fj表示频段上的频谱，频率比为生理信号的低频分量与高频分量之比，表达式为 其中ULC和LLC是低频段的上位截断频率和下位截断频率，而UHC和LHC则是高频段的上位截断频率和下位截断频率，则共提取每个体感手势样本的表面肌电信号和脑电信号20个时域和频域特征；

Step3：主成分分析提取关键特征；

由于众多的生理信号特征之间存在一定的相关性，采用主成分分析法PCA对多维特征进行降维来去除交叉冗余信息，以提取出关键特征，构建生理信号样本矩阵X＝[X1,X2,X3,...,X20]，其中每一列Xi代表一个样本特征维度，计算训练平均值 和差值di＝Xi-ψ，构建协方差矩阵 其中A＝[d1,d2,...,d20]，使用奇异值分解定理SVD求解AAT的特征值，并按照单调递减的顺序排列λ1≥λ2≥…≥λp，与其对应的特征向量分别为μ1,μ2,...,μp(p≤n)，选取前p个最大特征向量组成线性变换矩阵W＝[μ1,Tμ2,...,μp]，将原始输入特征向量投影到p维子空间，PCi＝Wdi，其中PCi为前i个主成分数组，分别将数组矩阵PC1,PC2,...,PC20归一化处理后依次作为SVM模型输入样本；

Step4：建立多通道生理信号体感手势SVM识别模型；

SVM算法以统计学习理论和结构风险最小原理为基础，具有较强的高维样本处理能力，采用最优分类平面方法，实现对不同类别的分类，通过多通道生理信号体感手势SVM识别模型，首先将手势识别问题转化为多个二分类问题，构造5个SVM二分类器，第K次分类把手势类别为K的样本定为正样本，剩余的其他类别手势样本合起来定为负样本，这样就得到一个大的二分类器，实现了对4类体感手势样本进行识别的目的，每个体感手势SVM二分类器分类基础为寻找一个满足数据分类要求的最优超平面，使得超平面在确保分类精度的情况下，超平面与两类样本点距离最大，分类超平面可以表示为w·Φ(x)+b＝0，w为权重矢量，b为偏置，基于统计理论，支持向量机模型通过以下目标数极小化确定分类函数：s.t.yi[wTxi+b]≥1-ξi,(ξi≥0,i＝1,...,l)

其中C为惩罚参数，可以控制对错分样本的惩罚程度，ξi为松弛因子，引入拉格朗日乘法算子，对上式求解，建立寻找最优超平面的目标函数：分别对λ、b求偏导数，并令其等于零，采用适当的内积函数实现非线性变换后的线性分类，实现训练样本间的内积运算，可求解出λ、b，所建立的SVM的最终分类函数为其中，λ为拉格朗日乘子，K(Xi,x)为SVM模型的核函数，选择是RBF核函数，表达式K(Xi,x)＝exp(-g||Xi-x||2)，其中g为核参数；

Step5：PSO优化训练多通道生理信号体感手势PCA与SVM识别模型；

采取粒子群算法即PSO算法去获得最优的主成分参数矩阵PCi以及核函数参数g、惩罚参数C的数值；

首先采用实数编码方式，选取种群大小为30，迭代次数为100，确定位置边界[Xmin,Xmax]和速度边界[Vmin,Vmax]，随机初始化群体中每个粒子的位置和速度，结合样本集进行训练，其中优化对象为识别率和识别时间，计算适应度值 其中，l为训练样本数量，Time为训练样本集识别所需时间，ACC为训练样本集识别正确率，εtime为识别时间的权重系数，εacc为识别正确率的权重系数，同时，得出个体最优位置Pp和群体最优位置Pg以及它们对应的个体极值和群体极值，更新粒子速度Vi,k+1＝wVi,k+c1r1(Pp,k-Xi,k)+c2r2(Pg,k-Xi,k)，其中Vi,k+1为第k次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[Vmin,Vmax]则用边界值代替，更新粒子位置Xi,k+1＝Xi,k+Vi,k+1，其中，Xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[Xmin,Xmax]则用边界值代替，重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束PSO寻优，得出寻优后的最优粒子位置作为优化后的主成分参数矩阵PCi以及核函数参数g、惩罚参数C的数值，并结合样本集进行训练，得出最优的PSO优化SVM多通道生理信号体感手势识别模型，整个模型算法基于MATLAB平台编写程序，SVM模型通过LIBSVM工具调用，并在该平台上载入样本数据训练和测试；

Step6：基于最优多通道生理信号体感手势识别模型测试；

在建立了最优的PSO-PCA-SVM多通道生理信号体感手势识别模型后，实时采集人体的脑电信号和表面肌电信号，经特征提取后，通过PSO-PCA-SVM多通道生理信号体感手势识别模型得出手势识别结果。

2.根据权利要求1所述的一种基于PSO-PCA-SVM的多通道生理信号体感手势识别方法，其特征在于：步骤1动作手势包括出握拳fist、张手spread finger、向内摆wave in和向外摆wave out手势。

3.根据权利要求1所述的一种基于PSO-PCA-SVM的多通道生理信号体感手势识别方法，其特征在于：步骤2时域特征有7个，分别为最大值Max、最小值Min、中值Median、均值Mean、标准差Std、一阶差分1Diff和二阶差分2Diff。

4.根据权利要求1所述的一种基于PSO-PCA-SVM的多通道生理信号体感手势识别方法，其特征在于：步骤2所提取的3个频域特征，分别为中值频率Median Frequency,MDF、均值频率Mean Frequency,MNF和频率比Frequency Ratio,FR。