一种基于深度学习的肌电信号手势识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的肌电信号手势识别方法及装置，所述方法包括根据肌电信号确定对应的特征图像以及将所述特征图像输入至训练好的分类模型中进行分类，所述分类模型包括LSTM层和卷积网络层，所述LSTM层包括两个隐藏层，所述卷积网络层包括五个卷积层，每一层卷积层之间使用批标准化层和激活函数进行处理，在第三层卷积层后使用Dropout层缓解过拟合，在第一层和第四层卷积层后均使用混合注意力机制模块，第五层卷积层前使用自适应最大池化层。本发明专利技术使用注意力机制的方法对肌电信号提取过程中的突出信息，特别是不同通道和空间上的显著信息进行了加强，使网络层对这类数据更为敏感，有利于较大产生动作的肌电信号的训练与识别。号的训练与识别。号的训练与识别。

【技术实现步骤摘要】
一种基于深度学习的肌电信号手势识别方法及装置


[0001]本专利技术涉及肌电信号的识别和处理
，特别是涉及一种基于深度学习的肌电信号手势识别方法及装置。

技术介绍

[0002]表面肌电信号(sEMG)是一种能够反应生物运动过程中肌肉兴奋程度的生物电信号刺激，目前被广泛应用在人机交互，假肢控制，康复训练等方面。特别是在手势识别和假肢控制控制领域，作为一种可靠的信号源，相比于传统的数字图像，IMU传感数据，数据手套等信号采集方式而言，肌电信号具有反应迅速(一般超前人类意识30
‑
150ms)，抗干扰等优点。
[0003]基于肌电信号的手势识别方法研究按照识别算法主要划分为基于传统方法和基于深度学习方法两种。在基于传统的手势识别方法中，常用的有隐马尔可夫模型(Hidden Markov Model,HMM)，近邻法(K
‑
nearest neighbor，KNN)，支持向量机(support vector machine，SVM)，随机森林(random forest，RF)，线性判别分析(linea本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的肌电信号手势识别方法，其特征在于，所述方法包括：根据肌电信号确定对应的特征图像；将所述特征图像输入至训练好的分类模型中进行分类，所述分类模型包括LSTM层和卷积网络层，所述LSTM层包括两个隐藏层，所述卷积网络层包括五个卷积层，每一层卷积层之间使用批标准化层和激活函数进行处理，在第三层卷积层后使用Dropout层缓解过拟合，在第一层和第四层卷积层后均使用混合注意力机制模块，第五层卷积层前使用自适应最大池化层。2.根据权利要求1所述的方法，其特征在于，所述根据肌电信号确定对应的特征图像，包括：对肌电信号进行低通滤波；对滤波后的肌电信号进行标准化；对标准化后的肌电信号进行窗口数据划分，得到原始肌电图像，通过三阶平稳小波包分解将所述原始肌电图像中每个通道的肌电信号分解为多个不同波段，各个通道的肌电数据整合得到对应的特征图像。3.根据权利要求2所述的方法，其特征在于，使用一阶1Hz的高通巴特沃斯滤波器对肌电信号进行低通滤波。4.根据权利要求1所述的方法，其特征在于，通过如下方法对所述分类模型进行训练：构建分类模型；获取第一数据集，所述第一数据集包括多个经过预处理后的肌电信号；对所述第一数据集中的各个肌电信号随机添加25
‑
45dB的随机噪声进行数据增强，得到第二数据集；将所述第一数据集与所述第二数据集合并得到训练数据集；利用所述训练数据集训练所述分类模型。5.根据权利要求1所述的方法，其特征在于，所述五个卷积层，第一至五层卷积层的卷积数量分别为64，64，128，64，52，前四层卷积层的卷积核均为3x3，第五层卷积层的卷积核为1x1。6.一种基于深度学习的肌电信号手势识别装置，其特征在于，所述装置...

【专利技术属性】
技术研发人员：傅舰艇，王乐，郑彬，尹韶云，袁家虎，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，
类型：发明
国别省市：