本发明涉及手势识别、手部运动功能康复、人机交互，具体涉及一种柔性传感器、制备方法、手势识别系统及方法。
背景技术：
1、随着智能移动设备和可穿戴设备的兴起，手势识别技术和柔性传感器技术在手语识别、人机交互、机器人控制、视觉环境等领域得到了广泛的应用。其中，数据手套作为一种典型的智能可穿戴装置，在手部运动功能康复和人机交互操作领域展现出了巨大的应用潜力。因此，将柔性传感器技术和手势识别技术结合在是数据手套中，具有重要的研究意义。
2、目前，现有的手势识别检测主要是基于视觉或传感器数据，如依靠摄像头或深度摄像头、红外传感器等来捕捉和识别手势动作，但这种方式依赖于视觉不做，因此受到光照、遮挡等因素的限制，识别精度也较低。此外，现有的如红外传感器等硬性传感器精度和实时性不足、稳定性差、成本也较为高昂，同时限制了用户的手部活动，降低了用户的舒适度，难以满足用户的实际需求。因此，如何准确、高效地对手势进行识别检测，开发一种精确度高、实时性良好、舒适度高的手势识别方法成为了亟待解决的问题。
3、本技术指在建立一种柔性传感器、制备方法、手势识别系统及方法，以解决上述问题。
技术实现思路
1、为了实现根据本发明的上述目的和其他优点，本发明的第一目的是提供一种柔性传感器，包括：
2、石墨烯电极，其包含有由pdms材料制备而成的基底与由石墨烯形成的电极片，用以采集数据信号；其中，所述基底为所述石墨烯电极适应各种复杂的曲面形状提供柔性和延展性；
3、导线，其呈蛇形布设以连接相邻两所述石墨烯电极；
4、当所述石墨烯电极采集到所述数据信号时，经所述导线传导到相邻的石墨烯电极，以实现两个相邻石墨烯电极之间的信号传递，确保所述数据信号的稳定传输。
5、本发明的第二目的是提供一种柔性传感器制备方法，包括以下步骤：
6、将所述基底覆盖在包含所述电极片的pi薄膜上；
7、按压所述基底或所述p i薄膜，用以将所述基底和所述电极片紧密结合；
8、将所述pi薄膜从所述基底上取下来，用以将所述电极片剥离转移到所述基底上；
9、将所述导线与相邻的两个所述石墨烯电极进行连接，完成所述柔性传感器的制备。
10、进一步地，所述基底制备方法，包括以下步骤：
11、将预设质量比的pdms和固化剂混合均匀直至出现绵密均匀的气泡，得到第一混合液；
12、将所述第一混合液放置至真空泵中直至混合液中无气泡，得到第二混合液；
13、将所述第二混合液倾倒至注射器中，注入至亚力克模具，得到基底模具；
14、将所述基底模具放置预设温度烘烤环境中进行烘烤直至所述模具彻底凝固，得到含有由pdms材料的柔性基底，完成所述基底的制备。
15、进一步地，所述电极片制备方法，包括以下步骤：
16、选择p i薄膜并去除薄膜表面的油污，将所述薄膜防放入烘箱中进行烘烤，获取洁净且平整的pi薄膜；
17、将p i薄膜安放在激光雕刻机的c02激光发射器正下方，利用c02激光和p i薄膜的光热效应，使得pi薄膜受热分解碳化形成石墨烯；
18、使用激光雕刻机在完成制备石墨烯后的p i薄膜表面雕刻出预设的电极片图案，完成所述电极片的制备。
19、本发明的第三目的是提供一种基于柔性传感器的手势识别方法，包括以下步骤：
20、通过如上所述的柔性传感器采集待识别对象手部运动的多维数据；
21、将所述多维数据进行数据处理后转换成相应的电信号数据；
22、将所述电信号数据传输至预训练的手势识别网路模型；
23、利用所述手势识别网络模型将所接收到的所述电信号数据进行识别，得到识别结果。
24、进一步地，所述多维数据包括手部运动时的手指的角度、手指的弯曲程度的电阻值数据。
25、进一步地，所述手势识别网络模型预训练，包括以下步骤：
26、获取手势图像及其对应的电信号数据，使用labe l me在每一张手势图像上标注手势类别并根据标注的手势类别将手势图像进行分类，作为输入数据集；
27、将所述输入数据集中的图像按照预设比例分为训练集和验证集；
28、构建深度学习网络模型，初始化网络参数，将所述训练集中的图像依次输入至深度学习网络模型中进行训练；
29、通过网络正向传播计算输出和误差计算，判断是否达到预设训练目标；
30、若未达到预设训练目标，则使用反向传播算法和梯度下降算法来更新权重，随后继续进行网络正向传播计算输出和误差计算直至达到预设训练目标；
31、若已达到预设训练目标，则获取最优权重和阈值；
32、将所述验证集中的图像依次输入至所述深度学习网络模型中进行验证，输出分类结果，完成对深度学习网络模型的训练，得到手势识别网络模型。
33、进一步地，所述初始化网络参数，包括：
34、输入层，设置若干个神经元以匹配输入的手势图像的维度；
35、隐藏层，设置若干个神经元，并将re l u函数作为激活函数；
36、输出层，设置与所述训练集待识别的手势种类相同的神经元数量，并将softmax函数作为激活函数，以输出手势识别的预测概率；
37、将交叉熵损失函数作为损失度量，并采用adam优化算法进行权重更新。
38、进一步地，所述在隐藏层的神经元数量通过如下公式策略进行制定，以不断调整选择更优的值：
39、
40、其中，n表示网络层中的神经元数量，下标hidden表示隐藏层，下标input表示输入层，下标output表示输出层，m表示一个在(0,10)之间的整数。
41、进一步地，所述通过网络正向传播计算输出通过如下公式进行计算：
42、
43、其中，这里f表示激活函数，wij表示从输入层神经元j到隐藏层神经元i的权重，xj表示输入层神经元j的输出，bi表示隐藏层神经元i的偏置。
44、进一步地，所述误差计算为使用交叉熵损失函数计算输出和实际预设训练目标之间的误差，通过如下公式进行计算：
45、
46、yi表示实际标签的独热编码表示，表示模型预测出的属于类别i的概率。
47、本发明的第四目的是提供一种基于柔性传感器的手势识别系统，包括：
48、数据采集模块，利用如上所述的柔性传感器以采集待识别对象手部运动所受应力的变化；
49、数据转换模块，用以将所述应力变化进行数据处理后转换成相应的电信号数据；
50、数据传输模块，用以将所述电信号数据通传输至手势识别模块；
51、手势识别模块，用以利用手势识别网络模型对所述电信号数据进行识别，得到识别手势识别结果。进一步地，所述数据转换模块，包括：
52、串联电路单元，用以将所述数据采集模块所采集的所述多维数据转换为模拟电压值数据；
53、运算放大单元，用以将所述模拟电压值数据进行放大和滤波；
54、模数转换单元，用以将模拟电压值数据进行a/d转换，得到数字电信号数据。
55、本发明的第五目的是提供一种数据手套，包括：
56、如上所述的若干柔性传感器，所述柔性传感器集成在手套内部，用以采集待识别对象手部运动的多维数据。
57、本发明的第六目的是提供一种镜像康复系统，包括：
58、如上所述的数据手套以用于康复训练。
59、本发明的第七目的是提供一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行计算机程序时，实现基于柔性传感器的手势识别方法。
60、与现有技术相比，本发明的有益效果是：
61、本发明涉及一种柔性传感器、制备方法、手势识别系统及方法。
62、本发明的柔性传感器由含有pdms基底和电极片的石墨烯电极结合导线构建而成，石墨烯作为一种优异的导电材料，具有高灵敏度和弯曲适应性，能更准确地捕捉手部运动，柔性材料pdms赋予了柔性传感器出色的和延展性。本发明的手势识别方法通过柔性传感器采集手部运动的多维数据并转换成电信号数据，包括手指弯曲、手掌伸缩以及手腕旋转等细微动作，以此捕捉到更多细微的手势变化，通过无线蓝牙技术，将手势变化的电信号数据实时、高效地传输至预训练的手势识别网络模型中，提高了数据传输的稳定性和可靠性。同时，预训练的手势识别网络模型具有强大的学习和识别能力，能够准确地识别出各种手势，具有广泛的应用前景。
63、本发明的手势识别系统利用柔性传感器实时捕捉手部多维运动数据，通过电路转换、信号放大滤波和模式转换等处理，提高了系统的抗干扰能力和信号质量，实现了精准的手势识别，同时通过无线传输通信，实现了数据的实时共享和远程控制的功能，提升了人机交互的便捷性。
64、本发明将柔性传感器集成在了带有一定弹性的织物手套的内部，使得柔性传感器贴合手部形成了新型的一体式数据手套，能最大化的贴附人手骨骼，精准采集人手的角度和弯曲信息，使得用户在穿戴使用中能够保持手部活动的自然度和舒适度。
65、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
1.一种柔性传感器，其特征在于，包括：
2.一种如权利要求1所述的柔性传感器的制备方法，包括以下步骤：
3.根据权利要求2所述的一种柔性传感器制备方法，其特征在于，所述基底制备方法，包括以下步骤：
4.根据权利要求3所述的一种柔性传感器制备方法，其特征在于，所述电极片制备方法，包括以下步骤：
5.一种基于柔性传感器的手势识别方法，其特征在于，包括以下步骤：
6.根据权利要求5所述的基于柔性传感器的手势识别方法，其特征在于，所述多维数据包括手部运动时的手指的角度、手指的弯曲程度的电阻值数据。
7.根据权利要求5所述的基于柔性传感器的手势识别方法，其特征在于，所述手势识别网络模型预训练，包括以下步骤：
8.根据权利要求7所述的基于柔性传感器的手势识别方法，其特征在于，所述初始化网络参数，包括：
9.根据权利要求8所述的基于柔性传感器的手势识别方法，其特征在于，所述在隐藏层的神经元数量通过如下公式策略进行制定，以不断调整选择更优的值：
10.根据权利要求8所述的基于柔性传感器的手势识别方法，其特征在于，所述通过网络正向传播计算输出通过如下公式进行计算：
11.根据权利要求8所述的基于柔性传感器的手势识别方法，其特征在于，所述误差计算为使用交叉熵损失函数计算输出和实际预设训练目标之间的误差，通过如下公式进行计算：
12.一种基于柔性传感器的手势识别系统，其特征在于，包括：
13.根据权利要求12所述的基于柔性传感器的手势识别系统，其特征在于，所述数据转换模块，包括：
14.一种数据手套，其特征在于，包括：
15.一种镜像康复系统，其特征在于，包括：
16.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行如权利要求5-11任一项所述的基于柔性传感器的手势识别方法。
