【技术实现步骤摘要】
本申请涉及手势识别。具体地，本申请涉及一种基于元学习的表面肌电手势识别方法、装置、计算机设备和存储介质。
技术介绍
1、肌电信号伴随着肌肉收缩产生，是由大脑通过神经肌肉系统控制身体部位发生运动时，在肌肉处产生的电信号。表面肌电信号(semg)则是浅层肌肉肌电信号与神经干上电活动在皮肤表面形成的综合效应。由于蕴含着与人体运动相关的丰富信息，且具有不对人体造成伤害、无痛、操作简便等优势，表面肌电信号感知技术被广泛应用于医疗健康、生活娱乐、机器控制、轮椅智控、行人定位等多个领域。其中，手势识别是表面肌电信号的代表性应用领域。
2、传统的基于肌电信号的手势识别方法，为了确保能够准确地识别和理解新用户的手势动作，需要对每位新用户进行大量的个性化训练，来解决新用户适用的问题。然而，这种个性化训练方式往往只能适用于训练过的用户，对于未经训练的新用户或者不同环境下的用户，其泛化能力较差，导致手势识别效果不佳。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于元学习的表面肌电手势识别方法、装置、计算机设备和存储介质。
2、第一方面，本申请提供了一种基于元学习的表面肌电手势识别方法。所述方法包括：
3、获取针对目标用户所采集的目标肌电信号；
4、将所述目标肌电信号输入至训练好的手势特征提取模型中，得到目标手势特征；
5、分别计算所述目标手势特征与数据库中的每种参考手势特征之间的相似度；其中，所述数据库中存储有不同手势动作对应的参
6、若所述相似度中的最小相似度小于或等于预设阈值，则将所述最小相似度对应的手势动作，确定为手势识别结果。
7、在其中一个实施例中，所述相似度为余弦距离；
8、所述分别计算所述目标手势特征与数据库中的每种参考手势特征之间的相似度，包括：
9、通过如下公式分别计算所述目标手势特征与数据库中的每种参考手势特征之间的余弦距离：
10、
11、其中，f表示目标手势特征，i表示手势动作，ci表示手势动作i对应的参考手势特征，consine distance表示余弦距离。
12、在其中一个实施例中，所述数据库的构建过程包括：
13、针对每种手势动作，以预设采集次数，重复采集所述手势动作的参考肌电信号；
14、针对每种手势动作，将所述参考肌电信号输入至所述训练好的手势特征提取模型中，得到所述手势动作对应的初始参考手势特征；
15、针对每种手势动作，计算所述初始参考手势特征的均值，得到所述手势动作对应的参考手势特征；
16、将所有手势动作对应的参考手势特征存储至所述数据库中。
17、在其中一个实施例中，所述手势特征提取模型的训练过程包括：
18、获取初始肌电信号样本；
19、对所述初始肌电信号样本添加高斯噪声，得到数据增强后的第一肌电信号样本；
20、对所述第一肌电信号样本进行盲源分离，得到数据增强后的第二肌电信号样本；
21、对所述第二肌电信号样本进行特征增强，得到特征增强后的第三肌电信号样本；
22、将所述第三肌电信号样本输入至初始化的卷积神经网络模型中进行模型训练，得到所述训练好的手势特征提取模型。
23、在其中一个实施例中，所述手势特征提取模型的损失函数为：
24、
25、其中，loss表示损失函数，i表示所述第三肌电信号样本的索引，即第i个第三肌电信号样本，n表示所述第三肌电信号样本的总数，xi表示所述第三肌电信号样本中的锚样本，表示所述第三肌电信号样本中同类别的正样本，表示所述第三肌电信号样本中不同类别的负样本，d表示所述第三肌电信号样本之间的距离，α为预先定义的边界值。
26、在其中一个实施例中，所述初始肌电信号样本为多通道肌电信号；
27、所述对所述第一肌电信号样本进行盲源分离，得到数据增强后的第二肌电信号样本，包括：
28、针对每一通道，对所述通道中的第一肌电信号样本进行去中心化，得到去中心化的第一肌电信号样本；
29、根据多通道去中心化的第一肌电信号样本，计算协方差矩阵；
30、对所述协方差矩阵进行特征分解，得到特征向量矩阵和特征值对角阵；
31、根据所述特征向量矩阵和特征值对角阵，对所述多通道去中心化的第一肌电信号样本进行白化，得到多通道白化后的第一肌电信号样本；
32、根据预设的分离矩阵，对所述多通道白化后的第一肌电信号样本进行分离，得到所述数据增强后的第二肌电信号样本。
33、在其中一个实施例中，所述对所述第二肌电信号样本进行特征增强，得到特征增强后的第三肌电信号样本，包括：
34、对所述第二肌电信号样本进行滑窗，得到多个窗口的第二肌电信号样本；
35、在每个窗口内，针对每一通道，对所述通道中的第二肌电信号样本进行傅里叶变换，得到所述通道对应的初始频谱图；
36、根据所述通道对应的初始频谱图，使用频率均衡器对所述第二肌电信号样本进行频率调整，得到频率调整后的第二肌电信号样本；
37、对所述频率调整后的第二肌电信号样本进行傅里叶变换，得到目标频谱图；
38、计算所述目标频谱图的均值和标准差；
39、根据所述均值和标准差，对所述频率调整后的第二肌电信号样本进行归一化，得到特征增强后的第三肌电信号样本。
40、第二方面，本申请提供了一种基于元学习的表面肌电手势识别装置。所述装置包括：
41、信号获取模块，用于获取针对目标用户所采集的目标肌电信号；
42、特征提取模块，用于将所述目标肌电信号输入至训练好的手势特征提取模型中，得到目标手势特征；
43、相似度计算模块，用于分别计算所述目标手势特征与数据库中的每种参考手势特征之间的相似度；其中，所述数据库中存储有不同手势动作对应的参考手势特征；
44、手势确定模块，用于若所述相似度中的最小相似度小于或等于预设阈值，则将所述最小相似度对应的手势动作，确定为手势识别结果。
45、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
46、获取针对目标用户所采集的目标肌电信号；
47、将所述目标肌电信号输入至训练好的手势特征提取模型中，得到目标手势特征；
48、分别计算所述目标手势特征与数据库中的每种参考手势特征之间的相似度；其中，所述数据库中存储有不同手势动作对应的参考手势特征；
49、若所述相似度中的最小相似度小于或等于预设阈值，则将所述最小相似度对应的手势动作，确定为手势识别结果。
50、第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存本文档来自技高网...
【技术保护点】
1.一种基于元学习的表面肌电手势识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述相似度为余弦距离；
3.根据权利要求1或2所述的方法，其特征在于，所述数据库的构建过程包括：
4.根据权利要求1或2所述的方法，其特征在于，所述手势特征提取模型的训练过程包括：
5.根据权利要求4所述的方法，其特征在于，所述手势特征提取模型的损失函数为：
6.根据权利要求4所述的方法，其特征在于，所述初始肌电信号样本为多通道肌电信号；
7.根据权利要求6所述的方法，其特征在于，所述对所述第二肌电信号样本进行特征增强，得到特征增强后的第三肌电信号样本，包括：
8.一种基于元学习的表面肌电手势识别装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处
...【技术特征摘要】
1.一种基于元学习的表面肌电手势识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述相似度为余弦距离；
3.根据权利要求1或2所述的方法，其特征在于，所述数据库的构建过程包括：
4.根据权利要求1或2所述的方法，其特征在于，所述手势特征提取模型的训练过程包括：
5.根据权利要求4所述的方法，其特征在于，所述手势特征提取模型的损失函数为：
6.根据权利要求4所述的方法，其特征在于，所述初始肌电信号样本为多通道肌电信号；
【专利技术属性】
技术研发人员：王智林，秦旭，路璐，陈燕红，张玉冰，
申请(专利权)人：北京雪梦未来科技有限公司，
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。