一种深度学习的sEMG手势识别方法技术

本发明专利技术公开了一种深度学习的sEMG手势识别方法，属于人工智能技术领域，要解决的技术问题为现有技术中特征提取能力不足、识别精度有限且对非平稳信号建模能力较弱。包括：采集多通道表面肌电信号，对每个通道的表面肌电信号进行数据预处理；对作为时间序列信号的表面肌电信号进行短时傅里叶变换，得到对应的时频图像；构建并训练手势识别模型，所述手势识别模型包括空间分支、与空间分支并行的时间分支以及与空间分支和时间分支连接的分类预测模块；以各通道对应的时频图像作为输入图像，通过训练后的手势识别模型预测输出手势类型以及手势类型的概率值。

【技术实现步骤摘要】

本专利技术涉及人工智能，具体地说是深度学习的semg手势识别方法。

技术介绍

1、表面肌电信号(semg)是一种来源于骨骼肌的生物电信号，能够反映肌肉活动的动态过程。通过将电极无创地放置在皮肤表面，可以实时采集semg信号，用于分析人体运动意图。这种特性使semg信号在假肢控制、人机交互、康复训练、手语识别等领域具有广泛的应用前景。

2、现有的semg手势识别技术主要可分为两类：传统的机器学习方法与基于深度学习的识别方法。

3、传统方法通常依赖于人工设计的时域和频域特征，如平均绝对值(mav)、均方根(rms)、零交叉率(zc)等，结合支持向量机(svm)、k近邻(knn)、线性判别分析(lda)等分类器完成识别任务。然而，该类方法对特征提取的依赖性强，模型泛化能力有限，难以应对复杂、非线性的semg信号环境。

4、近年来，随着深度学习技术的发展，研究者尝试将卷积神经网络(cnn)、长短时记忆网络(lstm)、门控循环单元(gru)等混合模型引入semg手势识别任务中，取得了显著进展。深度神经网络具备自动提取特征的能力，本文档来自技高网...

【技术保护点】

1.一种深度学习的sEMG手势识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的深度学习的sEMG手势识别方法，其特征在于，通过数据预处理进行滤波去噪时，对每个通道的表面肌电信号依次通过一阶、三阶和五阶低通巴特沃斯滤波器进行滤波，滤波时计算公式如下：

3.根据权利要求1所述的深度学习的sEMG手势识别方法，其特征在于，对作为时间序列信号的表面肌电信号进行短时傅里叶变换时，计算公式如下：

4.根据权利要求1所述的深度学习的sEMG手势识别方法，其特征在于，空间分支包括卷积层、展平层、Dropout层以及全连接层，所述卷积层共三个，三个卷积层配...

【技术特征摘要】

1.一种深度学习的semg手势识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的深度学习的semg手势识别方法，其特征在于，通过数据预处理进行滤波去噪时，对每个通道的表面肌电信号依次通过一阶、三阶和五阶低通巴特沃斯滤波器进行滤波，滤波时计算公式如下：

3.根据权利要求1所述的深度学习的semg手势识别方法，其特征在于，对作为时间序列信号的表面肌电信号进行短时傅里叶变换时，计算公式如下：

4.根据权利要求1所述的深度学习的semg手势识别方法，其特征在于，空间分支包括卷积层、展平层、dropout层以及全连接层，所述卷积层共三个，三个卷积层配合对输入图像进行卷积操作，将通过卷积操作提取的多维特征图输入到展平层，所述展平层用于将多维特征图转换为一维向量，并将一维向量发送至全连接层，所述全连接层用于将输入特征向量与每个神经元之间的连接权重进行矩阵乘法和偏置加法操作，输出空间特征，所述dropout层用于通过进行正则化减少过拟合的风险。

5.根据权利要求1所述的深度学...

【专利技术属性】
技术研发人员：董安明，袁宇涵，李素芳，薛玉鹏，张家豪，韩玉冰，高传根，田祥，王桂娟，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：