基于全卷积残差网络的肌电信号手势识别方法及系统技术方案

本发明专利技术属于肌电信号手势识别技术领域，公开了一种基于全卷积残差网络的肌电信号手势识别方法，包括：获取肌电信号，将肌电信号转化为肌电图像；构建全卷积残差网络，所述全卷积残差网络包括特征提取器和分类器，所述特征提取器包括依次连接的填充层、卷积层、池化层和多个基于卷积的残差块构成；所述分类器的输入为特征提取器的输出，包括多个卷积层，所述分类器输出特征图，将特征图一维化后输入SoftMaxLoss层，得到预测的手势类型；使用训练数据对构建的全卷积残差网络进行训练，得到最优网络模型；将获得的最优网络模型对待测数据进行分类，得到分类结果。本发明专利技术提出了一个简洁高效的框架，并且手势识别准确度较高。并且手势识别准确度较高。并且手势识别准确度较高。

【技术实现步骤摘要】
基于全卷积残差网络的肌电信号手势识别方法及系统


[0001]本专利技术属于肌电信号手势识别
，具体地涉及一种基于全卷积残差网络的肌电信号手势识别方法及系统。

技术介绍

[0002]表面肌电信号的产生和采集技术对理解基于肌电信号的图像化手势识别是至关重要的，肌电信号(EMG)是众多肌纤维中运动单元动作电位(MUAP)在时间和空间上的叠加，而表面肌电信号是浅层肌肉的肌电信号和神经干上电活动在皮肤表面的综合效应，能在一定程度上反映神经肌肉的活动。肌电信号的信号幅值一般和肌肉运动力度成正比，能精确的反映肌肉自主收缩力，超前于人体运动30
‑
150ms产生。相对于针电极的肌电信号，表面肌电信号在测量上具有非侵入性、无创伤、操作简单等优点，因而表面肌电信号在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。
[0003]近年来基于肌电信号的手势识别技术成为研究的热点，目前广泛使用的基于肌电信号对手势识别方法主要分为两类，一种是基于人工设计的特征提取器的方法，另外一种是基于深度学习的方法。常见的基于人工设计的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全卷积残差网络的肌电信号手势识别方法，其特征在于，包括以下步骤：S01：获取肌电信号，将肌电信号转化为肌电图像；S02：构建全卷积残差网络，所述全卷积残差网络包括特征提取器和分类器，所述特征提取器包括依次连接的填充层、卷积层、池化层和多个基于卷积的残差块构成；所述分类器的输入为特征提取器的输出，包括多个卷积层，所述分类器输出特征图，将特征图一维化后输入SoftMaxLoss层，得到预测的手势类型；S03：使用训练数据对构建的全卷积残差网络进行训练，得到最优网络模型；S04：将获得的最优网络模型对待测数据进行分类，得到分类结果。2.根据权利要求1所述的基于全卷积残差网络的肌电信号手势识别方法，其特征在于，所述步骤S01中将肌电信号转化为肌电图像包括：S11：采集肌电信号数据；S12：利用高分辨率的时间戳对采集的数据进行同步，对错误的运动标签利用广义似然比算法进行再标记，同步前利用Hampel滤波器对谐波和电源线干扰进行过滤处理；S13：对C个肌电信号数据每次使用采样步长为S取M个采样点，即每次进行肌电信号图像化转化的维度为MXC，将M个采样点改变形状重塑为长宽相等图像，所述重塑操作中，每个通道肌电信号的时间关系按照一定的规则排列在图像中，多通道的肌电信号按照顺序堆叠在图像的第三维，即肌电信号不同通道之间的关系反映在图像的第三维度中，最终得到LXLXC的三维肌电图像。3.根据权利要求1所述的基于全卷积残差网络的肌电信号手势识别方法，其特征在于，所述步骤S02中特征提取器的特征提取方法包括：输入的肌电图像通过填充层改变肌电图像的维度，通过卷积层进行特征提取得到特征图，并对该特征图进行批标准化处理，将标准化的结果通过最大池化层得到肌电图像的初始特征图；通过多个基于卷积的残差块对初始特征图进一步特征提取后得到进一步特征图。4.根据权利要求1或3所述的基于全卷积残差网络的肌电信号手势识别方法，其特征在于，所述基于卷积的残差块由两条路径构成，一条路径由两个卷积层构成，另外一条快捷路径由一个卷积层构成，每个卷积层后都对输出进行批标准化。5.根据权利要求1
‑
3任一项所述的基于...

【专利技术属性】
技术研发人员：夏翌彰，宋世豪，邹娟，刘元，李亚林，陆骐峰，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：