【技术实现步骤摘要】
本申请涉及生物信号处理，尤其涉及一种手势识别方法、装置、存储介质及可穿戴设备。
技术介绍
1、肌电图(electromyography，emg)信号是肌肉组织在收缩过程中产生的电生理信号，其能够表达肌肉动作的情况。目前，通过表面肌电信号(surface electromyography，semg)能够识别出手部进行的微小动作，因此常被用于构建手势识别系统。
2、现有技术中，大多数手势识别系统会通过大量用户的数据训练获得一个通用的手势识别模型。然而，由于不同人的身体状况、肌肉力量、动作习惯等差异，使得相同动作由不同人做出时，产生的emg信号也各不同。因此，当新用户使用时，可先通过该新用户的数据对手势识别模型进行校准，而为了使校准后的手势识别模型更适合该新用户，还可再用该新用户的少量有标签的数据在这个手势识别模型上进行微调，使模型更切合该新用户，但会导致出现灾难性遗忘的现象，即训练过度，使得模型忘记很多已学习到的信息，更偏向于该新用户，进而下一位用户在使用时训练效果较差，影响用户体验。
技术实现思路<
本文档来自技高网...
【技术保护点】
1.一种手势识别方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述通过不同标定用户的标定肌电图信号以及当前用户的历史肌电图信号对所述通用手势识别模型进行训练，获得初始手势识别模型的步骤，包括：
3.如权利要求2所述的方法，其特征在于，所述通过所述参考肌电图信号以及所述历史肌电图信号对所述通用手势识别模型进行训练，获得初始手势识别模型的步骤，包括：
4.如权利要求3所述的方法，其特征在于，所述根据所述源域中间特征向量、所述目标域中间特征向量、所述源域手势类别概率和所述主目标域手势类别概率构建一轮训练损失函数
【技术特征摘要】
1.一种手势识别方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述通过不同标定用户的标定肌电图信号以及当前用户的历史肌电图信号对所述通用手势识别模型进行训练，获得初始手势识别模型的步骤，包括：
3.如权利要求2所述的方法，其特征在于，所述通过所述参考肌电图信号以及所述历史肌电图信号对所述通用手势识别模型进行训练，获得初始手势识别模型的步骤，包括：
4.如权利要求3所述的方法，其特征在于，所述根据所述源域中间特征向量、所述目标域中间特征向量、所述源域手势类别概率和所述主目标域手势类别概率构建一轮训练损失函数的步骤，包括：
5.如权利要求4所述的方法，其特征在于，所述通过所述主目标域手势类别概率构建最小类混淆损失函数的步骤，包括：
6.如权利要求4所述的方法，其特征在于，所述一轮训练损失函数为：
7.如权利要求3所述的方法，其特征在于，所述根据所述历史模型参数以及所述当前用户的校准肌电图信号对所述初始手势识别模型进行训练，获得目标手势识别模型的步骤，包括：
8.如权利要求7所述的方法，其特征在于，所述通过所述正则项构建第二交叉熵损失函数的步骤，包括：
9.如权利要求8所述的方法，所述第二交叉熵损失函数...
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。