1.一种融合sEMG和AUS的手势识别方法，包括如下步骤：

S1：sEMG和AUS的数据同步采集；令受试者进行sEMG和AUS的同步采集；采集过程将包含m种实际手势动作；

数据同步采集时，首先受试者右臂需要佩戴校准后的采集设备，该采集设备包含nc个采集通道；其次受试者需舒适地静坐，将其右臂的肘关节放置于桌面，准备数据同步采集；接着受试者按提示依次进行手势动作，每个手势动作持续nt秒，每轮采集结束后受试者休息

5nt秒；然后受试者工进行8轮采集；最后记录每个手势动作的sEMG、AUS以及动作标签；

因为不同受试者对于所给提示的反应效果不一致，所以将每一个手势动作的持续时间进行划分，分为：提前时间1秒、稳态时间nt-2秒和滞后时间1秒，后续手势识别过程中将主要采用稳态时间内所采集的数据；

S2：sEMG和AUS的数据维度匹配；因为sEMG和AUS分别属于连续信号和离散信号，所以两者的采集方式不一致，采集频率不一致，因此需要对sEMG和AUS进行数据分窗操作，以匹配两者维度，便于后续的信号融合；

sEMG的分窗数量为 窗口交叠长度为 窗口长度为 如式(1)计算；

式中，tstable为稳态时间；Fps为AUS的帧率；a为窗口交叠长度系数，b为窗口长度系数；

经过数据分窗操作后，每个手势动作内，sEMG的分窗数量与AUS的帧数相同，同为tstableFps(即， )，将实现两者在维度上的匹配；

S3：sEMG和AUS的特征提取；对于所采集的sEMG和AUS信号进行各自相关特征的提取；

sEMG进行的是TD-AR6特征组合提取，即对每一个窗口中的sEMG数据选取4个时域特征：平均绝对值、波形长度、过零点数与斜率变化率以及6个模型参数：自回归模型的6阶AR系数；

sEMG的4个时域特征，如下式计算：

式中，MAN为绝对平均值；WL为波形长度；ZC为过零点数；SSC为斜率变化率；sgn(x)为符号函数；n为sEMG信号的长度， xi为i时刻所采集的sEMG的信号值；

sEMG的6个模型参数，如下式计算：

式中，P(k)为sEMG序列；m为自回归模型AR的阶数；aj为第j个自回归系数；e(k)为高斯白噪声；

AUS波形对于表示肌肉的形态学信息至关重要，因为AUS表征的是信号回波能量与执行肌肉深度之间的映射关系；因为超声信号的特性使得信号会随着时间衰退，因此在AUS的预处理过程中需要进行额外的时间增益补偿；AUS进行的是KB特征提取；对于每一帧的AUS数据进行N段线性拟合，如下式计算：y＝kx+b               (4)

式中，k为拟合直线的斜率，b为拟合直线的在y轴上的截距；N段线性拟合直线组合成的形状可以近似表达所采集的AUS信号；

S4：sEMG和AUS的特征融合；为充分发挥两种单一模态信号sEMG和AUS的各自优势，在上述sEMG和AUS的特征提取后进行特征融合，从而形成一种具有sEMG和AUS各自优势的多模态生物信号；为保留特征的有效信息以及降低所需计算消耗，在特征融合后进行特征降维；为避免个别特征对最终效果的影响，在特征降维后进行特征归一化；

S41：sEMG和AUS的特征融合；特征提取后，每一帧的sEMG特征维度是10nc,每一帧的AUS特征维度是2Nnc；经过上述sEMG和AUS的特征提取，将形成sEMG的TD-AR6特征空间VsEMG和AUS的KB特征空间VAUS，并将两者的特征空间进行组合，实现sEMG和AUS的特征融合，形成多模态生物信号空间V，空间V的每一帧特征维度为(10+2N)nc；

S42：sEMG和AUS的融合特征降维；为避免sEMG和AUS的融合特征维度过高，使用主成分分析法(PCA)进行降维操作；将空间V的每一帧特征维度降至Ndim，之后需要验证信号在Ndim维的主成分所占的信息量的比例η是否在95％以上；

S43：sEMG和AUS的特征归一化；在完成sEMG和AUS的融合特征降维后，在保证数据的数值排序的前提下，为避免个别特征因为其数值过大带来的局部影响，使用Min-Max归一化进行处理，如下式计算：式中，Xmin为集合中的最小值；Xmax为集合中的最大值，xi为集合中的第i个数值；xi'集合中的第i个数值在Min-Max归一化处理后的数值；

S5：sEMG和AUS的模型构建；使用非线性映射算法将低维的样本转化为高维特征空间，后采用线性算法对其分类；非线性映射算法，包括线性核函数、多项式核函数、高斯核函数以及Sigmoid核函数，如下式；

k(x,xi)＝x·xi         (6)

k(x,xi)＝((x·xi)+1)d             (7)

k(x,xi)＝tanh(η+θ)           (9)式(6)为线性核函数，式(7)为多项式核函数，式(8)为高斯核函数，式(9)为Sigmoid核函数；式中，d，δ，η，θ是需优化的参数，可根据经验确定；

确定合适的核函数后，构建SVM分离器，将完成归一化的融合信号的特征组合作为输入，经过所构建的SVM分离器，将得到手势识别的准确率。

2.如权利要求1所述的一种融合sEMG和AUS的手势识别方法，其特征在于：步骤S2中，sEMG的采集频率为1kHz；AUS的帧率为10Hz，每帧的采样点数为1000；式(1)中a的默认值为

0.5；b的默认为3。