【技术实现步骤摘要】
一种面向手势识别的领域自适应方法及系统
[0001]本专利技术涉及手势识别
，特别是涉及一种面向手势识别的领域自适应方法及系统。
技术介绍
[0002]肌电手势识别系统在实际使用中不可避免地会遇到用户反复佩戴设备造成的电极位移、用户长期使用系统引起的肌肉疲劳、以及不同用户间存在的电极贴放位置不同、肌肉发力不同、皮肤阻抗不同、手势动作完成度不同等个体差异，这将导致来自不同用户、不同会话或不同肌肉疲劳状态的表面肌电信号之间存在较大的分布差异。从机器学习的角度来看，来自不同用户、不同会话或不同肌肉疲劳状态的表面肌电信号可以看作来自不同的领域，而不同领域之间的数据分布差异通常会引起领域偏移，使得手势识别模型的训练数据和测试数据之间不再符合“独立同分布”这一传统机器学习假设，从而导致训练好的模型在识别来自全新领域的数据时出现性能下降，严重影响肌电手势识别系统的跨领域手势识别鲁棒性和泛化能力。
[0003]为此，肌电人机接口领域的专家广泛采用机器学习中的领域自适应学习技术解决多种因素诱发的肌电信号领域偏移问题。在机器学习领...
【技术保护点】
【技术特征摘要】
1.一种面向手势识别的领域自适应方法，其特征在于，包括：获取用户的待识别目标域表面肌电信号；将所述待识别目标域表面肌电信号分别输入到多个目标域手势识别模型中，得到多个源域视角下的目标域手势识别结果；所述目标域手势识别模型与源域视角一一对应；任一源域视角对应的目标域手势识别模型均是基于对应源域的源域手势识别模型和对应源域视角下的领域自适应模型构建的；根据多个源域视角下的手势识别结果，以及每个源域视角下的权重，确定待识别目标域表面肌电信号的手势种类。2.根据权利要求1所述的一种面向手势识别的领域自适应方法，其特征在于，所述源域手势识别模型是通过同一源域下的多个表面肌电信号对初始源域手势识别模型训练得到的；所述初始源域手势识别模型包括特征提取器和手势分类器；所述特征提取器包括依次连接的卷积神经网络、循环神经网络和多个全连接层；所述手势分类器包括全连接层和softmax分类器；所述手势分类器中的全连接层包括多个隐单元；所述领域自适应模型包括目标域特征编码器和领域判别器；所述目标域特征编码器的神经网络结构与对应源域的特征提取器相同；所述目标域手势识别模型包括同一源域对应的训练后的目标域特征编码器和训练后的手势分类器。3.根据权利要求1所述的一种面向手势识别的领域自适应方法，其特征在于，在所述获取用户的待识别目标域表面肌电信号之前，还包括：从多名被试者获取训练用表面肌电信号，构成训练表面肌电信号数据集，所述训练表面肌电信号数据集中同一被试者的多个训练表面肌电信号数据为同一源域视角下的数据；对训练表面肌电信号数据集中多个训练用表面肌电信号中每一帧对应的手势种类进行标签标注；构建多个初始源域手势识别模型；确定任一源域为当前源域；以当前源域的多个训练用表面肌电信号数据为输入，以当前源域的多个训练用表面肌电信号数据对应的手势种类的标签为输出，对任一所述初始源域手势识别模型进行训练，得到当前源域手势识别模型。4.根据权利要求3所述的一种面向手势识别的领域自适应方法，其特征在于，所述以当前源域的多个训练用表面肌电信号数据为输入，以当前源域的多个训练用表面肌电信号数据对应的手势种类的标签为输出，对任一所述初始源域手势识别模型进行训练，得到当前源域手势识别模型包括：确定任一所述初始源域手势识别模型为当前初始源域手势识别模型；确定当前初始源域手势识别模型中的特征提取器为当前特征提取器；确定当前初始源域手势识别模型中的手势分类器为当前手势分类器；将当前源域下的多个训练用表面肌电信号输入到当前特征提取器中得到多个当前源域表面肌电信号深度特征；所述当前源域表面肌电信号深度特征是当前特征提取器的输出结果；将多个当前源域表面肌电信号深度特征输入到当前手势分类器中得到手势分类结果；
所述手势分类结果包括任一当前源域表面肌电信号为每种手势类别概率。5.根据权利要求1所述的一种面向手势识别的领域自适应方法，其特征在于，在所述获取用户的待识别目标域表面肌电信号之前，还包括：确定每个源域视角下的权重。6.根据权利要求4所述的...
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。