一种物品识别方法、装置、设备及存储介质

技术领域

本发明涉及人机交互技术领域，尤其涉及一种物品识别方法、装置、设备及存储介质。

背景技术

随着元宇宙相关技术的发展，识别用户如何与物理世界的交互变得尤为重要。

目前物品的识别通常通过感应固定在物品上的身份标签确定。但在交互场景中，在各物品上设置身份标签难以实现。

发明内容

本发明提供了一种物品识别方法、装置、设备及存储介质，以解决交互中物品难以准确识别的技术问题。

根据本发明的一方面，提供了一种物品识别方法，包括：

获取上肢移动信号，上肢移动信号通过佩戴于上肢的可穿戴设备采集得到；

对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号；

将振动特征信号输入至预先训练的物品识别模型中，获得物品识别模型的输出结果；

根据输出结果确定上肢移动时所抓取的目标物品标识。

根据本发明的另一方面，提供了一种物品识别装置，包括：

移动信号获取模块，用于获取上肢移动信号，上肢移动信号通过佩戴于上肢的可穿戴设备采集得到；

特征信号提取模块，用于对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号；

特征信号分类模块，用于将振动特征信号输入至预先训练的物品识别模型中，获得物品识别模型的输出结果；

物品标识确定模块，用于根据输出结果确定上肢移动时所抓取的目标物品标识。

根据本发明的另一方面，提供了一种电子设备，电子设备包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的物品识别方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的物品识别方法。

本发明实施例的技术方案，通过监测上肢移动信号，根据上肢移动信号的特征识别上肢移动时抓取的物品，解决了现有技术中物品识别难的技术问题，取到了准确识别抓取物品的有益效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种物品识别方法的流程图；

图2是本发明实施例二提供的一种物品识别方法的流程图；

图3是本发明实施例三提供的一种物品识别装置的结构示意图；

图4是实现本发明实施例的物品识别方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例一提供的一种物品识别方法的流程图，本实施例可适用于在人机交互时，识别用户抓取物品时的情况，该方法可以由物品识别装置来执行，该物品识别装置可以采用硬件和/或软件的形式实现，该物品识别装置可配置于电子设备中。如图1所示，该方法包括：

S110、获取上肢移动信号，上肢移动信号通过佩戴于上肢的可穿戴设备采集得到。

在本实施例中，用户可以将可穿戴设备佩戴于上肢，可穿戴设备实时监测用户上肢的动作，采集用户上肢的移动信号作为上肢移动信号，通过对上肢移动信号的处理实现对物品的识别。可选的，可穿戴设备可以为智能手表，用户将智能手表佩戴在手腕处，通过智能手表内的加速度计和陀螺仪传感器检测用户的上肢移动信号识别用户抓取物品产生的独特的振动，从而确定用户抓取的物品。可选的，可以将可穿戴设备采集的信号直接作为上肢移动信号，也可以对可穿戴设备采集的信号进行滤波处理后得到上肢移动信号。

一个实施例中，智能手表内设置有6轴加速度计和陀螺仪传感器，基于此，可穿戴设备采集的上肢移动信号包括6个上肢移动子信号，上肢移动子信号的数量越多，基于上肢移动子信号识别的物品越准确。

S120、对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号。

本实施例是通过检测用户抓取物品时上肢产生的独特的振动信息进行物品识别的。因此，得到上肢移动信号后，对上肢移动信号进行特征提取，得到上肢移动信号中包含的振动特征信号，以用于后续物品的识别。可选的，可以通过现有的特征提取方式从上肢移动信号中提取出振动特征信号，在此不做限制。需要说明的是，对上肢移动信号进行特征提取的方式需要与物品识别模型训练时样本移动信号进行特征提取的方式保持相同，以保证基于特征提取和模型识别的物品识别更加准确。可选的，振动特征信号可以理解为表征振动特点的信号，如振动频率、振动幅度等特征信号。

在本发明的一种实施方式中，对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号，包括：对上肢移动信号进行离散短时傅里叶变换，得到上肢移动信号的振动频谱信息；将振动频谱信息和振动时域信息拼接，得到振动拼接信号；基于振动拼接信号的费希尔信息，从振动拼接信号中提取出振动特征信号。离散傅里叶变换使用的是全局变换，其表示一段时间内平均的频率特性，在离散傅里叶变换的基础上，提出了短时傅里叶变换，短时傅里叶变换能够分析处理非平稳信号。可以理解的是，上肢移动时产生的上肢移动信号为非平稳信号，基于此，可以采用离散短时傅里叶变换对上肢移动信号进行处理，得到上肢移动信号的振动频谱信息。但振动频谱信息无法表述信号的时域局域性质，因此需要将振动频谱信息和振动时域信息进行拼接，得到振动拼接信号，使得基于振动拼接信号得到的振动特征信号能够表征上肢移动时的时域特征和振幅特征。可选的，振动频谱信息和振动时域信息拼接的方式可以参考现有技术中的信息拼接方式，在此不做限制。

需要说明的是，可以直接将振动拼接信号作为振动特征信号；也可以对振动拼接信号进行处理，得到振动特征信号。直接将振动拼接信号作为振动特征信号减少数据处理量；对振动拼接信号进行处理得到振动特征信号能够使得振动特征信号更加准确。可选的，可以对振动拼接信号按费希尔得分选取得分最高的50％的信号作为振动特征信号，以对振动拼接信号进行优化得到能代表不同物品振动的特征。

示例性的，可以通过如下公式对上肢移动信号进行离散短时傅里叶变换获取振动频谱信息：

其中，x[n]为上肢移动信号，w[n-m]是窗函数，m是位移。

结合上述公式得到的振动频谱信息和振动时域信息，可以顺序拼接得到振动拼接信号。通过如下公式对振动拼接信号按费希尔得分选取得分最高的50％的特征信号作为振动特征信号：

其中，r表示频点位置，n

S130、将振动特征信号输入至预先训练的物品识别模型中，获得物品识别模型的输出结果。

在本实施例中，得到上肢移动信号的振动特征信号后，将振动特征信号作为输入，输入至预先训练好的物品识别模型中，获得物品识别模型的输出结果。可以理解的是，物品识别模型的输出结果基于训练时样本的标记确定。示例性的，物品识别模型的输出结果可以为物品名称、物品编号等可以唯一确定物品的信息。

S140、根据输出结果确定上肢移动时所抓取的目标物品标识。

可选的，可以直接将输出结果作为上肢移动时抓取的目标物品的目标物品标识。也可以将输出结果对应的物品标识作为目标物品标识。示例性的，假设输出结果和物品标识均为名称类型，则可以直接将输出的物品名称作为目标物品标识；假设输出结果为名称类型，物品标识为编号类型，则将输出的物品名称对应的编号作为目标物品标识。

本实施例中，确定上肢抓取物品的目标物品标识可应用于各种场景。示例性的，以元宇宙场景为例，假设用户A和用户B均在虚拟场景交互，用户A抓取物品时，用户B需要确定用户A所抓取的物品，可以通过本实施例提供的物品识别方法确定用户A抓取的物品，并发送至用户B所持终端，完成用户之间的信息交互。以智能家居场景为例，可以通过识别用户抓取的物品分析用户当前状态或用户即将执行的操作，提高与用户的交互效率。以智能设备为例，当用户需要知晓其所持物品时，可以通过本实施例提供的物品识别方法完成物品的识别，假设需要对儿童进行早教，儿童手持物品时，实现对儿童所持物品的识别，引发儿童的学习兴趣。

本实施例的技术方案，通过获取上肢移动信号，上肢移动信号通过佩戴于上肢的可穿戴设备采集得到；对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号；将振动特征信号输入至预先训练的物品识别模型中，获得物品识别模型的输出结果；根据输出结果确定上肢移动时所抓取的目标物品标识，使得根据上肢移动信号就能识别出上肢移动时抓取的物品，解决了人机交互中物品难以准确识别的技术问题。

实施例二

图2是本发明实施例二提供的一种物品识别方法的流程图，本实施例在上述实施例的基础上，增加了物品识别模型的训练操作。如图2所示，该方法包括：

S210、基于样本移动信号构建模型训练样本。

在本实施例中，可以通过可穿戴设备采集上肢在不同情况下的移动信号作为样本移动信号。如采集上肢在抓取不同物品时的移动信号作为正样本的样本移动信号，采集上肢在非抓取状态时(如握拳、拍手等动作)的移动信号作为负样本的样本移动信号。

可以理解的是，只要上肢发生移动，可穿戴设备就能采集到上肢移动信号，因此上肢移动信号可能是由用户上肢抓取物品产生的，也可能是由用户上肢执行其他动作产生的。基于此，采集不同状态下的移动信号得到正样本的样本移动信号和负样本的样本移动信号，并对每个样本移动信号进行标记，基于标记的样本移动信号构建模型训练样本。可选的，样本移动信号的标记可以为物品标识、非抓取动作等标记，在此不做限定。

在本发明的一种实施方式中，可穿戴设备内可以设置6轴加速度计和陀螺仪传感器，基于此，可穿戴设备采集的样本移动信号包括多个样本移动子信号。样本移动子信号的数量越多，基于样本移动子信号构建的模型训练样本更准确。

在上述基础上，每个样本移动信号包括多个样本移动子信号，基于样本移动信号构建模型训练样本，包括：针对每个样本移动信号，分别滤除样本移动信号关联的样本移动子信号中的高频信号得到滤波移动子信号，将滤波移动子信号拼接得到样本移动信号对应的滤波移动信号，高频信号为频率高于设定频率阈值的信号；根据预先设定的抓取信号阈值从样本移动信号中截取出抓取样本信号；基于样本移动信号的抓取样本信号以及样本移动信号的标记生成模型训练样本。得到样本移动信号后，分别对每个样本移动信号进行处理，以生成模型训练样本。针对每个样本移动信号中的每个样本移动子信号，分别对每个样本移动子信号进行滤波处理，滤除样本移动子信号中的高频信号，以去除样本移动子信号中的噪声信号，得到滤波移动子信号；为了能够更准确的提取出样本移动信号中用户抓取物品时的信号，可以将样本移动信号关联的滤波移动子信号拼接得到滤波移动信号，基于拼接得到的滤波移动信号和预先设定的抓取信号阈值从样本移动信号中提取出抓取样本信号；将各样本移动信号对应的抓取样本信号以及样本移动信号的标记构成的集合作为模型训练样本集。可选的，可以采用40Hz高通滤波器对样本移动子信号进行滤波，去除上肢移动的低频噪声信号，得到滤波移动子信号。

示例性的，假设共采集有3个样本移动信号：样本移动信号1、样本移动信号2和样本移动信号3，每个样本移动信号内包括6个样本移动子信号，如样本移动信号1包括样本移动子信号1A、样本移动子信号1B、样本移动子信号1C、样本移动子信号1D、样本移动子信号1E和样本移动子信号1F。在对样本移动信号1进行处理时，对样本移动子信号1A、样本移动子信号1B、样本移动子信号1C、样本移动子信号1D、样本移动子信号1E和样本移动子信号1F进行滤波处理，得到对应的滤波移动子信号1A、滤波移动子信号1B、滤波移动子信号1C、滤波移动子信号1D、滤波移动子信号1E和滤波移动子信号1F，然后将滤波移动子信号1A、滤波移动子信号1B、滤波移动子信号1C、滤波移动子信号1D、滤波移动子信号1E和滤波移动子信号1F拼接得到滤波移动信号1；根据滤波移动信号1和预先设定的抓取信号阈值从样本移动信号1中截取出抓取样本信号1。对于样本移动信号2和样本移动信号3执行相同的处理方式，得到对应的抓取样本信号2和抓取样本信号3。将抓取样本信号1和样本移动信号1的标记、抓取样本信号2和样本移动信号2的标记，以及抓取样本信号3和样本移动信号3的标记构成的集合作为模型训练样本集。

一个实施例中，根据预先设定的抓取信号阈值从样本移动信号中截取出抓取样本信号，包括：根据时序监听滤波移动信号，基于振幅大于抓取信号阈值的信号位置确定起始位置，将振幅小于噪音信号阈值的信号位置作为结束位置；将样本移动信号中起始位置和结束位置之间的信号作为抓取样本信号。可选的，可以预先设置抓取信号阈值及噪音信号阈值，在截取抓取样本信号时，首先读取滤波移动信号中振幅小于噪音信号阈值信号作为第一状态；继续监听，等待读取振幅大于有效敲击信号阈值的信号，计振幅大于有效敲击信号阈值的位置为X，设置信号的起始位置为位置X前L的位置，即X-L；继续监听，等待读取一段连续且振幅小于噪音信号阈值的信号，当出现连续振幅小于噪音信号阈值时，设置信号的结束位置为当前位置；将样本移动信号中信号起止位置之间的信号作为抓取样本信号。在上述基础上，为了使样本的构建更加合理，可以在确定信号的起始位置后，判断起始位置之间的信号长度是否满足长度区间，如不满足则重新获取样本移动信号进行处理；如满足则截取样本移动信号中信号起止位置之间的信号作为抓取样本信号。

S220、对模型训练样本进行特征提取，得到模型样本特征。

对样本移动信号处理得到模型训练样本后，提取出模型训练样本中的模型样本特征，以根据提取出的模型样本特征进行物品识别模型的训练。

可选的，对模型训练样本进行特征提取，得到模型样本特征，包括：对模型训练样本进行离散短时傅里叶变换，得到模型训练样本的样本频谱信息；将样本频谱信息和样本时域信息拼接，得到样本拼接信号；基于样本拼接信号的费希尔信息，从样本拼接信号中提取出模型样本特征。短时傅里叶变换能够分析处理非平稳信号。可以通过离散短时傅里叶变换分析得到模型训练样本中的样本频谱信息；但样本频谱信息无法表述信号的时域局域性质，因此需要将样本频谱信息和样本时域信息进行拼接，得到样本拼接信号，使得基于样本拼接信号得到的模型样本特征能够表征上肢移动时的时域特征和振幅特征。可选的，样本频谱信息和样本时域信息拼接的方式可以参考现有技术中的信息拼接方式，在此不做限制。

需要说明的是，可以直接将样本拼接信号作为模型样本特征；也可以对样本拼接信号进行处理，得到模型样本特征。直接将样本拼接信号作为模型样本特征减少数据处理量；对样本拼接信号进行处理得到模型样本特征能够使得模型样本特征更加准确。可选的，可以对样本拼接信号按费希尔得分选取得分最高的50％的信号作为模型样本特征，以对样本拼接信号进行优化得到能代表该样本所属物品振动的特征。

S230、基于模型样本特征对预先构建的物品识别模型进行训练，得到训练后的物品识别模型。

确定模型样本特征后，基于模型样本特征构建训练样本集，采用训练样本集对预先构建的物品识别模型进行训练，得到训练后的物品识别模型。

可选的，物品识别模型的结构可以参考现有技术中神经网络的结构，在此不做限定。优选的，物品识别模型基于门控循环神经网络构建。门控循环神经网络可以更好的捕捉到时间序列中时间步距离较大的依赖关系，达到更好的物品识别效果。

S240、获取上肢移动信号，上肢移动信号通过佩戴于上肢的可穿戴设备采集得到。

S250、对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号。

S260、将振动特征信号输入至预先训练的物品识别模型中，获得物品识别模型的输出结果。

S270、根据输出结果确定上肢移动时所抓取的目标物品标识。

本实施例的技术方案，通过基于样本移动信号构建模型训练样本；对模型训练样本进行特征提取，得到模型样本特征；基于模型样本特征对预先构建的物品识别模型进行训练，得到训练后的物品识别模型，实现了物品识别模型的训练，使得仅需可穿戴设备采集的上肢移动信号即可实现上肢移动时所抓取物品的识别。

实施例三

图3是本发明实施例三提供的一种物品识别装置的结构示意图。如图3所示，该装置包括：移动信号获取模块310、特征信号提取模块320、特征信号分类模块330和物品标识确定模块340，其中：

移动信号获取模块310，用于获取上肢移动信号，上肢移动信号通过佩戴于上肢的可穿戴设备采集得到；

特征信号提取模块320，用于对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号；

特征信号分类模块330，用于将振动特征信号输入至预先训练的物品识别模型中，获得物品识别模型的输出结果；

物品标识确定模块340，用于根据输出结果确定上肢移动时所抓取的目标物品标识。

本实施例的技术方案，通过移动信号获取模块获取上肢移动信号，上肢移动信号通过佩戴于上肢的可穿戴设备采集得到；特征信号提取模块对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号；特征信号分类模块将振动特征信号输入至预先训练的物品识别模型中，获得物品识别模型的输出结果；物品标识确定模块根据输出结果确定上肢移动时所抓取的目标物品标识，使得根据上肢移动信号就能识别出上肢移动时抓取的物品，解决了人机交互中物品难以准确识别的技术问题。

在上述实施例的基础上，可选的，特征信号提取模块320包括：

频谱信息确定单元，用于对上肢移动信号进行离散短时傅里叶变换，得到上肢移动信号的振动频谱信息；

拼接信号确定单元，用于将振动频谱信息和振动时域信息拼接，得到振动拼接信号；

特征信号确定单元，用于基于振动拼接信号的费希尔信息，从振动拼接信号中提取出振动特征信号。

在上述实施例的基础上，可选的，模块还包括模型训练模块，包括：

训练样本构建单元，用于基于样本移动信号构建模型训练样本；

样本特征提取单元，用于对模型训练样本进行特征提取，得到模型样本特征；

识别模型训练单元，用于基于模型样本特征对预先构建的物品识别模型进行训练，得到训练后的物品识别模型。

在上述实施例的基础上，可选的，每个样本移动信号包括多个样本移动子信号，训练样本构建单元具体用于：

针对每个样本移动信号，分别滤除样本移动信号关联的样本移动子信号中的高频信号得到滤波移动子信号，将滤波移动子信号拼接得到样本移动信号对应的滤波移动信号，高频信号为频率高于设定频率阈值的信号；

根据预先设定的抓取信号阈值从样本移动信号中截取出抓取样本信号；

基于样本移动信号的抓取样本信号以及样本移动信号的标记生成模型训练样本。

在上述实施例的基础上，可选的，训练样本构建单元具体用于：

根据时序监听滤波移动信号，基于振幅大于抓取信号阈值的信号位置确定起始位置，将振幅小于噪音信号阈值的信号位置作为结束位置；

将样本移动信号中起始位置和结束位置之间的信号作为抓取样本信号。

在上述实施例的基础上，可选的，样本特征提取单元具体用于：

对模型训练样本进行离散短时傅里叶变换，得到模型训练样本的样本频谱信息；

将样本频谱信息和样本时域信息拼接，得到样本拼接信号；

基于样本拼接信号的费希尔信息，从样本拼接信号中提取出模型样本特征

在上述实施例的基础上，可选的，物品识别模型基于门控循环神经网络构建。

本发明实施例所提供的物品识别装置可执行本发明任意实施例所提供的物品识别方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是实现本发明实施例的物品识别方法的电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如物品识别方法。

在一些实施例中，物品识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的物品识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行物品识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的物品识别方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种物品识别方法，该方法包括：

获取上肢移动信号，上肢移动信号通过佩戴于上肢的可穿戴设备采集得到；

对上肢移动信号进行特征提取，得到上肢移动信号的振动特征信号；

将振动特征信号输入至预先训练的物品识别模型中，获得物品识别模型的输出结果；

根据输出结果确定上肢移动时所抓取的目标物品标识。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。