The invention discloses a gesture recognition method of EMG signal based on depth learning and attention mechanism. The steps are as follows: denoising and filtering the EMG signal; extracting a classical feature set from each window data using sliding window, and constructing a new feature-based EMG image; designing a convolution nerve-based method. In-depth learning framework of network, cyclic neural network and attention mechanism, and optimize its network structure parameters; use the designed in-depth learning framework and training data to train the classifier model; input test data into the trained in-depth learning network model, according to the output of the last level of likelihood, the most. The category of large likelihood corresponds to the category of recognition. The invention recognizes the EMG gesture signal based on the new feature image and the depth learning frame based on the attention mechanism. The EMG signal gesture recognition method based on depth learning and attention mechanism can accurately identify different gestures of the same subject.
【技术实现步骤摘要】
一种基于深度学习和注意力机制的肌电信号手势识别方法
本专利技术属于计算机与生物信号相结合领域,尤其涉及一种基于深度学习和注意力机制的肌电信号手势识别方法。
技术介绍
表面肌电信号(surfaceelectromyography,sEMG)是一种通过非侵入式的电极贴在皮肤表面来记录肌肉活动的生物信号。通过记录和分析表面肌电信号能够为辅助和康复技术提供更多有效的信息,对于体育科学研究、人机交互、康复医学临床和基础研究等具有重要的学术价值和应用意义。在这些应用中,基于肌电信号的手势识别技术担当重要的角色。一个经典的肌电信号手势识别流程由数据预处理、特征空间构建和分类组成。数据预处理部分主要对信号进行整流和滤波来减少噪声,特征空间构建部分将预处理后的信号变换到特征空间使得类间有更大的区分度,最后用一个机器学习方法训练好模型用于分类。特征空间的构建部分和手势类别的识别部分是提高识别准确率十分重要的两个部分。因此有很多研究人员致力于通过他们的领域知识来提出新的特征,如Phinyomark特征集。另一方面,在国内外的研究中,很多机器学习分类器被用于肌电信号手势识别中,比如人工神经网络、K近邻、线性判决分析、支持向量机和隐马尔可夫模型。其中支持向量机和线性判决分析是两种最常用的分类器。在近几年国内外的研究进展中,深度学习方法在许多领域都获得了目前最好的表现。其中最著名的卷积神经网络也已被成功应用于肌电信号的手势识别中,获得了目前最好的识别效果。注意力机制是一种十分有效的增强循环神经网络建模能力的方法,目前已在机器翻译等领域取得了较好的效果。但目前没有使用循环神经网络结合卷 ...
【技术保护点】
1.一种基于深度学习和注意力机制的肌电信号手势识别方法,其特征在于,包括如下步骤:(1)获取肌电数据,数据预处理,包括以下子步骤:(1.1)从公开数据集NinaProDB1、NinaProDB2、BioPatRec子集、CapgMyo子集和csl‑hdemg中获取手势动作肌电数据;(1.2)分别对不同数据集采用不同的预处理方法进行滤波降噪;(2)原始信号训练数据集和原始信号测试数据集的划分,包括以下子步骤:(2.1)根据获取到的肌电信号标签,将每个肌电信号文件中的数据分割为若干个肌电信号手势段,每个手势段包含一次动作重复;(2.2)按照不同的评估方法,将手势的多次动作重复分别划分到原始信号训练数据集和原始信号测试数据集中,完成原始训练和测试数据集的划分;(3)数据分割与特征提取,包括以下子步骤:(3.1)用滑动窗口将每个手势段分割为多个固定长度的信号段;(3.2)对每个窗口内的定长信号段的每个通道进行特征提取,提取多种特征;(4)构建新肌电图像,包括以下子步骤:(4.1)将窗口内每个通道的特征向量重新排布,使得每两个通道都能够相邻;(4.2)构建新肌电图像,新肌电图像的宽为1,高为重新 ...
【技术特征摘要】
1.一种基于深度学习和注意力机制的肌电信号手势识别方法,其特征在于,包括如下步骤:(1)获取肌电数据,数据预处理,包括以下子步骤:(1.1)从公开数据集NinaProDB1、NinaProDB2、BioPatRec子集、CapgMyo子集和csl-hdemg中获取手势动作肌电数据;(1.2)分别对不同数据集采用不同的预处理方法进行滤波降噪;(2)原始信号训练数据集和原始信号测试数据集的划分,包括以下子步骤:(2.1)根据获取到的肌电信号标签,将每个肌电信号文件中的数据分割为若干个肌电信号手势段,每个手势段包含一次动作重复;(2.2)按照不同的评估方法,将手势的多次动作重复分别划分到原始信号训练数据集和原始信号测试数据集中,完成原始训练和测试数据集的划分;(3)数据分割与特征提取,包括以下子步骤:(3.1)用滑动窗口将每个手势段分割为多个固定长度的信号段;(3.2)对每个窗口内的定长信号段的每个通道进行特征提取,提取多种特征;(4)构建新肌电图像,包括以下子步骤:(4.1)将窗口内每个通道的特征向量重新排布,使得每两个通道都能够相邻;(4.2)构建新肌电图像,新肌电图像的宽为1,高为重新排列后的通道数,颜色通道数为特征向量维度;(5)基于深度学习和注意力机制的肌电信号多类手势识别,包括以下步骤:(5.1)设计深度学习和注意力机制的模型结构,模型结构由卷积神经网络、循环神经网络和基本注意力机制构成;卷积神经网络对输入的新肌电图像进行高层特征提取,循环神经网络对新肌电图像序列每帧之间的关系进行建模,基本注意力机制对循环神经网络的输出进行重要性加权,t时刻注意力权重αt的计算公式为:Mt=tanh(Whht)αt=softmax(wTMt)其中,ht是循环神经网络的输出,Wh和wT是待训练的权重矩阵,T是一个手势段的时间长度,r是基本注意力机制部分的输出;softmax函数是归一化指数函数;(5.2)原始信号训练数据集中每个样本进行新肌电图像的构建,得到新肌电图像训练数据集作为整个网络的输入,对卷积神经网络和循环神经网络的网络参数逐一进行优化,得到最优模型参数;(5.3)由步骤(5.2)训练得到的最优模型参数和新肌电图像训练数据集训练获得分类模型;(5.4)将测试数据集中每个样本进行新肌电图像的构建,得到新肌电图像测试数据集,输入步骤(5.3)得到的分类模型,输出分类结果。2.根据权利要求1所述一种基于深度学习和注意力机制的肌电信号手势识别方法,其特征在于,所述步骤(1.2)中,对NinaProDB1采用低通butterworth滤波,对NinaProDB2采用低通butterworth滤波并降采样到100Hz,BioPatRec子集和CapgMyo子集不进行滤波,对csl-hdemg进行整流和低通butterworth滤波。3.根据权利要求1所述一种基于深度学习和注意力机制的肌电信号手势识别方法,其特征在于,所述步骤(2.1)中,原始信号训练...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。