【技术实现步骤摘要】
本专利技术涉及手势分类，尤其涉及一种具有错误跟踪和自我纠正功能的多样化手势分类方法，本专利技术结合反向权重空间跟踪、基于概率的阈值决策和仿生机制分析过程的优化框架，并将其应用于信号差异大和相似的手势分类；本专利技术确定了导致分类错误的关键特征，有效降低了错误分类率，并揭示了相干性平衡作为生物手部运动正确分类的潜在关键机制。
技术介绍
1、emg 生理信号对手势动作而言是不明确的，在使用肌电信号来进行手势分类中，目前已有的方法大多都是针对差异大的手势，而对于差异不明显的手势动作的分类准确率较低。要从不明确的肌电信号中准确区分出细微或相似的动作仍然具有挑战性，而且还缺乏系统的方法来进行导致分类错误的特征识别和优化策略。
技术实现思路
1、本专利技术目的就是为了弥补已有技术的缺陷，提供一种具有错误跟踪和自我纠正功能的多样化手势分类方法，本专利技术应用于相似的手势动作分类中，可识别出导致错误分类的关键特征，且能进一步进行性能优化，降低错误分类率。并且通过仿生机制分析出相干性平衡可能是生物手部运动预测的潜在关键机制。
2、本专利技术是通过以下技术方案实现的：
3、一种具有错误跟踪和自我纠正功能的多样化手势分类方法，具体包括如下步骤：
4、（1）采集数据，并对数据进行预处理；
5、（2）构建cnn 模型，并训练网络；
6、（3）根据步骤（1）预处理后的数据和步骤（2）构建的模型训练后进行性能评估，选择实现最佳性能的滑动窗口；
<...【技术保护点】
1.一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（1）所述的采集数据，并对数据进行预处理，具体如下：使用2kHz采样率采集数据，然后使用六阶巴特沃斯带通滤波器和二阶陷波滤波器对原始 EMG 信号进行滤波，信号幅度标准化为 -10 至 10mV。
3.根据权利要求2所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（2）所述的构建CNN 模型，并训练网络，具体如下：设计一个 5 层 CNN 模型来处理分段的四通道 EMG 矩阵数据，包括卷积层、Relu 层、最大池化层、两个全连接层和一个softmax层，训练涉及 90%-10%的数据分割，分别用于训练和验证，卷积方式是same模式，使用Adam Optimizer来训练网络，学习率为0.0003，批量大小为 64，最大 epoch 为500。
4.根据权利要求3所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（3）所
5.根据权利要求4所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（4）所述的反向权重空间追踪揭示导致混淆的特征，具体如下：在原有差异大的手势动作基础上，加入相似的手势动作，将步骤（3）中选择的最佳滑动窗口应用于其中，再放入模型重新训练，观察到分类准确率降低，且相似的手势动作很容易相互分类错误；之后通过分析模型卷积过程及内部机制，可视化模型层，反向权重空间追踪来浏览模型层和不明确的肌电信号，从而确定造成错误分类的关键特征。
6.根据权利要求5所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（5）所述的基于概率的决策过程优化性能，具体如下：从概率分布的角度调整模型的决策过程，并根据步骤（4）中所找到的关键特征的特点，对其进行针对性的调整从而自我纠正；手势数据经过模型预测后得到该手势的预测概率，将预测概率低于0.5的数据筛选出来，然后选择具有关键特征的时间段，若其绝对值大于设定的阈值0.01，则将其抹除，设为0，最后再将其重新放入模型进行预测分类。
7.根据权利要求6所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（6）所述的纠正恢复相干性平衡，具体如下：
...【技术特征摘要】
1.一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（1）所述的采集数据，并对数据进行预处理，具体如下：使用2khz采样率采集数据，然后使用六阶巴特沃斯带通滤波器和二阶陷波滤波器对原始 emg 信号进行滤波，信号幅度标准化为 -10 至 10mv。
3.根据权利要求2所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（2）所述的构建cnn 模型，并训练网络，具体如下：设计一个 5 层 cnn 模型来处理分段的四通道 emg 矩阵数据，包括卷积层、relu 层、最大池化层、两个全连接层和一个softmax层，训练涉及 90%-10%的数据分割，分别用于训练和验证，卷积方式是same模式，使用adam optimizer来训练网络，学习率为0.0003，批量大小为 64，最大 epoch 为500。
4.根据权利要求3所述的一种具有错误跟踪和自我纠正功能的多样化手势分类方法，其特征在于：步骤（3）所述的根据步骤（1）预处理后的数据和步骤（2）构建的模型训练后进行性能评估，选择实现最佳性能的滑动窗口，具体如下：选择差异大的手势动作进行分类，将经过步骤（1）预处理后的信号的开始和结束时的 1 s 瞬态给消除掉，以消除开始时和结束时由于过渡可能发生的延迟，得到肌电信号的稳态；然后进行滑动长度为50ms/100...
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。