1.一种基于肌电地形图的手势识别方法，其特征在于：所述方法包括以下步骤：(1)数据采集：通过阵列式表面肌电电极进行不同手势的上臂肌肉表面肌电信号的采集；

(2)数据预处理：对采集到的表面肌电信号进行预处理；

(3)肌电地形图生成，包含如下子步骤：

(3.1)数据分段：使用“重叠窗”方法对每个被试的每种手势动作数据进行开窗分段；

(3.2)功率值计算：计算阵列式表面肌电电极各个采集点的肌电信号功率谱总功率和峰值功率参数，来提取表面肌电信号特征；

(3.3)空间插值：对各采集点之间的空白处采用插值公式进行插值填充；

(3.4)功率值-灰度映射：功率值映射到8位灰度区间，为每个功率值的灰度大小分配一个0-255范围内的强度值；

(4)深度卷积神经网络模型训练和手势识别，包含如下子步骤：

(4.1)生成肌电地形图特征图像，肌电地形图首先转化为64*64的灰度图像，再使用ZCA白化预处理，生成肌电地形图特征图像；

(4.2)根据肌电地形图特性，设计相应的卷积神经网络模型结构，并构建模型；

(4.3)卷积神经网络模型的输入为肌电地形图特征图像，输出为手势类别；

(4.4)使用训练集数据和验证集数据进行网络模型优化和参数调整，使用测试集数据测试训练好的模型的识别率；

(4.5)运用步骤(4.2)和步骤(4.4)中得到的网络结构模型和优化后的参数进行网络模型的训练，训练中迭代预设上限次数以上，并通过训练集和检验集的损失函数判断网络是否收敛，获得最优分类模型；

(4.6)将测试集数据输入到步骤(4.5)中的训练好的网络模型中进行手势识别分类；

所述步骤(2)中，预处理包含如下子步骤：

(2.1)带通滤波和陷波处理；

(2.2)信号放大；

(2.3)去除噪声，通过加权平均增大信噪比；

所述步骤(3.1)中，设每个手势动作的肌电数据采集时间为T秒，每种手势重复n次，则每个被试的每种手势动作共有n×(T×1000-100)/100个样本数据；

所述步骤(4.2)中，卷积神经网络模型共由十层网络构成：第一层为输入层，为64*64的肌电地形图特征图像；第二层为第一卷积层，用6个5×5的过滤器进行卷积，得到6张特征图，特征图的每个神经元与输入图像中的5×5的领域相连，即用5×5的卷积核去卷积输入层，由卷积运算可得到该层输出的特征图大小为60×60；第三层为第一降采样层，对图像进行2×2的子采样，该层的输出特征图大小为30×30；第四层为第二卷积层，用3个5×5的过滤器进行卷积，得到18张特征图，该层输出的特征图大小为26×26；第五层为第二降采样层，对图像进行2×2的子采样，该层的输出特征图大小为13×13；第六层为第三卷积层，用3个4×4的过滤器进行卷积，得到54张特征图，该层输出的特征图大小为10×10；第七层为第四降采样层，对图像进行2×2的子采样，该层的输出特征图大小为5×5；第八层为第一全连接层，采用softmax全连接，神经元个数设为120个；第九层为第二全连接层，采用softmax全连接，神经元个数设为80个；第十层为输出层，包含10个神经元，代表10种手势类别。

2.如权利要求1所述的一种基于肌电地形图的手势识别方法，其特征在于：所述步骤(1)中，通过8*8阵列式表面肌电电极进行10种不同手势的上臂肌肉表面肌电信号的采集，所述的10种不同手势分别为伸拇指、伸食指、伸中指、伸无名指、伸小指、OK手势、胜利手势、数字8手势、握拳和伸掌。

3.如权利要求1所述的一种基于肌电地形图的手势识别方法，其特征在于：所述步骤(2.1)中，带通滤波20-500Hz，工频陷波50Hz。

4.如权利要求1所述的一种基于肌电地形图的手势识别方法，其特征在于：所述步骤(3.1)中，采样窗口长度为200ms，移动步长为窗口长度的50％，即100ms。

5.如权利要求1所述的一种基于肌电地形图的手势识别方法，其特征在于：所述步骤(4.3)中，将每个被试的每种手势动作的所有数据分成5份，其中3份作为训练集，1份作为检验集，1份作为测试集。