基于轻量级卷积网络的手势识别分类方法及装置，该方法对采集到的肌电数据信号进行时域高通滤波处理，时域高通滤波处理后进行有效手势判别，有效手势判别过程，计算指定时间内肌电数据信号的平方和与接地通道取得阈值进行比较，大于阈值且持续时间长度满足预设时间标准作为有效手势，保存有效手势数据，同时标记对应的手势标签；构建带有特征过滤的LCNN模型；对LCNN模型随机初始化后，将训练集数据和对应的标签送入LCNN模型中迭代训练，保存效果最优的模型参数；采用训练完毕的LCNN模型对测试集数据进行手势分类得到预测效果。本发明专利技术具有更好的泛化能力，适用于不同的数据分布，提高了性能。高了性能。高了性能。
【技术实现步骤摘要】
基于轻量级卷积网络的手势识别分类方法及装置
[0001]本专利技术属于手势识别
，具体涉及一种基于轻量级卷积网络的手势识别分类。
技术介绍
[0002]手势识别作为现代人机交互的一种重要方法，在元宇宙、智能驾驶、智能家居等多个领域存在广阔的应用场景，也受到了广泛的关注。
[0003]目前常见的手势识别任务主要技术有两种：一种是基于摄像头、计算机视觉的辅助，在光线昏暗或者被遮挡的情况下算法的效果会变差，对环境的要求比较高。另一种是依靠手套、多指环等外设设备来达到识别手势控制操作的目的，使用过程繁琐体验效果不好。而基于手腕表面肌电信号进行手势识别的方法，可以规避上述两种方法的缺点，对应用环境无限制且准确率非常高，适合未来为虚拟交互提供方便可靠的技术支持。
[0004]但是，基于手腕表面肌电信号进行手势识别通常将神经网络作为鲁棒的特征提取器，为了更好地拟合大量的训练数据，针对手势识别提出的卷积神经网络模型的体积一直在不断增大，对于计算成本和存储空间要求较高。
技术实现思路
[0005]为此，本专利技术提供一种基于轻量级卷积网络的手势识别分类方法及装置，以解决手势识别中卷积神经网络模型的体积一直在不断增大，对于计算成本和存储空间要求较高的问题。
[0006]为了实现上述目的，本专利技术提供如下技术方案：基于轻量级卷积网络的手势识别分类方法，包括：
[0007]在受试人手腕位置放置八通道肌电手环，展示预设手势动态图像，按照预设手势动态图像连续重复若干次相同手势后切换下一手势，得到若干手势的八通道肌电数据；
[0008]对采集到的肌电数据信号进行时域高通滤波处理，时域高通滤波处理后进行有效手势判别，有效手势判别过程，计算指定时间内肌电数据信号的平方和与接地通道取得阈值进行比较，大于阈值且持续时间长度满足预设时间标准作为有效手势，保存有效手势数据，同时标记对应的手势标签；
[0009]构建带有特征过滤的LCNN模型，LCNN模型包括MFM卷积单元、最大池化单元和全连接单元；
[0010]将有效手势数据乱序后，取第一数量的数据作为训练集，第二数量的数据作为测试集；
[0011]对LCNN模型随机初始化后，将训练集数据和对应的标签送入LCNN模型中迭代训练，保存效果最优的模型参数；
[0012]采用训练完毕的LCNN模型对测试集数据进行手势分类得到预测效果。
[0013]作为基于轻量级卷积网络的手势识别分类方法优选方案，所述时域高通滤波处理
的公式为：
[0014]f(n)＝1/M*x(n)+(1
‑
1/M)*f(n
‑
1)
[0015]式中，f(n)为时域低频第n次迭代得到的固定噪声特征金字塔网络，M为时间常数。
[0016]作为基于轻量级卷积网络的手势识别分类方法优选方案，所述MFM卷积单元包括多尺度卷积层、批量标准化BN层和MFM激活函数；
[0017]所述最大池化单元包括第一DROPOUT层和最大池化层；
[0018]所述全连接单元包括第二DROPOUT层和全连接层。
[0019]作为基于轻量级卷积网络的手势识别分类方法优选方案，MFM激活函数输入的卷积层为2n层，特征图长为W、高为H，MFM激活函数取第k层和第k+n层中较大的值作为输出：
[0020][0021]MFM激活函数的梯度取经过前向传播特征图像素大的梯度，且梯度为1：
[0022][0023]式中，表示第k层像素点输出值，表示第k+n层像素点输出值。
[0024]作为基于轻量级卷积网络的手势识别分类方法优选方案，LCNN模型中迭代训练采用自适应矩估计优化器和随机权值平均优化器；
[0025]采用回调函数保存效果最优的模型参数；损失函数采用Focal Loss函数。
[0026]本专利技术还提供一种基于轻量级卷积网络的手势识别分类装置，包括：
[0027]肌电数据采集模块，用于在受试人手腕位置放置八通道肌电手环，展示预设手势动态图像，按照预设手势动态图像连续重复若干次相同手势后切换下一手势，得到若干手势的八通道肌电数据；
[0028]高通滤波处理模块，用于对采集到的肌电数据信号进行时域高通滤波处理；
[0029]有效手势判别模块，用于时域高通滤波处理后进行有效手势判别，有效手势判别过程，计算指定时间内肌电数据信号的平方和与接地通道取得阈值进行比较，大于阈值且持续时间长度满足预设时间标准作为有效手势，保存有效手势数据，同时标记对应的手势标签；
[0030]LCNN模型构建模块，用于构建带有特征过滤的LCNN模型，LCNN模型包括MFM卷积单元、最大池化单元和全连接单元；
[0031]数据划分模块，用于将有效手势数据乱序后，取第一数量的数据作为训练集，第二数量的数据作为测试集；
[0032]模型迭代模块，用于对LCNN模型随机初始化后，将训练集数据和对应的标签送入LCNN模型中迭代训练，保存效果最优的模型参数；
[0033]模型识别分类模块，用于采用训练完毕的LCNN模型对测试集数据进行手势分类得到预测效果。
[0034]作为基于轻量级卷积网络的手势识别分类装置优选方案，所述高通滤波处理模块中，所述时域高通滤波处理的公式为：
[0035]f(n)＝1/M*x(n)+(1
‑
1/M)*f(n
‑
1)
[0036]式中，f(n)为时域低频第n次迭代得到的固定噪声特征金字塔网络，M为时间常数。
[0037]作为基于轻量级卷积网络的手势识别分类装置优选方案，所述LCNN模型构建模块中，所述MFM卷积单元包括多尺度卷积层、批量标准化BN层和MFM激活函数；
[0038]所述最大池化单元包括第一DROPOUT层和最大池化层；
[0039]所述全连接单元包括第二DROPOUT层和全连接层。
[0040]作为基于轻量级卷积网络的手势识别分类装置优选方案，所述LCNN模型构建模块中，MFM激活函数输入的卷积层为2n层，特征图长为W、高为H，MFM激活函数取第k层和第k+n层中较大的值作为输出：
[0041][0042]MFM激活函数的梯度取经过前向传播特征图像素大的梯度，且梯度为1：
[0043][0044]式中，表示第k层像素点输出值，表示第k+n层像素点输出值。
[0045]作为基于轻量级卷积网络的手势识别分类装置优选方案，所述模型迭代模块中，LCNN模型中迭代训练采用自适应矩估计优化器和随机权值平均优化器；采用回调函数保存效果最优的模型参数；损失函数采用Focal Loss函数。
[0046]本专利技术在受试人手腕位置放置八通道肌电手环，展示预设手势动态图像，按照预设手势动态图像连续重复若干次相同手势后切换下一手势，得到若干手势的八通道肌电数据；对采集到的肌电数据信号进行时域高通滤波处理，时域高通滤波处理后进行有效手势判别，有本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于轻量级卷积网络的手势识别分类方法，其特征在于，包括：在受试人手腕位置放置八通道肌电手环，展示预设手势动态图像，按照预设手势动态图像连续重复若干次相同手势后切换下一手势，得到若干手势的八通道肌电数据；对采集到的肌电数据信号进行时域高通滤波处理，时域高通滤波处理后进行有效手势判别，有效手势判别过程，计算指定时间内肌电数据信号的平方和与接地通道取得阈值进行比较，大于阈值且持续时间长度满足预设时间标准作为有效手势，保存有效手势数据，同时标记对应的手势标签；构建带有特征过滤的LCNN模型，LCNN模型包括MFM卷积单元、最大池化单元和全连接单元；将有效手势数据乱序后，取第一数量的数据作为训练集，第二数量的数据作为测试集；对LCNN模型随机初始化后，将训练集数据和对应的标签送入LCNN模型中迭代训练，保存效果最优的模型参数；采用训练完毕的LCNN模型对测试集数据进行手势分类得到预测效果。2.根据权利要求1所述的基于轻量级卷积网络的手势识别分类方法，其特征在于，所述时域高通滤波处理的公式为：f(n)＝1/M*x(n)+(1
‑
1/M)*f(n
‑
1)式中，f(n)为时域低频第n次迭代得到的固定噪声特征金字塔网络，M为时间常数。3.根据权利要求2所述的基于轻量级卷积网络的手势识别分类方法，其特征在于，所述MFM卷积单元包括多尺度卷积层、批量标准化BN层和MFM激活函数；所述最大池化单元包括第一DROPOUT层和最大池化层；所述全连接单元包括第二DROPOUT层和全连接层。4.根据权利要求3所述的基于轻量级卷积网络的手势识别分类方法，其特征在于，MFM激活函数输入的卷积层为2n层，特征图长为W、高为H，MFM激活函数取第k层和第k+n层中较大的值作为输出：MFM激活函数的梯度取经过前向传播特征图像素大的梯度，且梯度为1：式中，表示第k层像素点输出值，表示第k+n层像素点输出值。5.根据权利要求4所述的基于轻量级卷积网络的手势识别分类方法，其特征在于，LCNN模型中迭代训练采用自适应矩估计优化器和随机权值平均优化器；采用回调函数保存效果最优的模型参数；损失函数采用FocalLoss函数。6.基于轻量级卷积网络的手势识别分类装置，其特征在于，包括：肌电数据采集模块，用于在受试人手腕位置放置八通道肌电手环，展示预设手势动态图像，...
【专利技术属性】
技术研发人员：王仕婧，刘冰，
申请(专利权)人：浙江柔灵科技有限公司，
类型：发明
国别省市：
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。