[發明專利]基于多流卷積神經網絡的肌電手勢識別方法

有效

• 申請號: 202010744969.5
• 申請日: 2020-07-29
• 公開（公告）號: CN111898526B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 郭劍;楊鏞;楊琳;姚敏;褚萍萍;韓崇;王娟
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張玉紅

1.基于多流卷積神經網絡的肌電手勢識別方法，其特征在于：所述方法包括如下步驟：

步驟1：數據預處理；對原始的肌電信號首先進行降噪處理，然后通過數據析取排除干擾，最后對數據進行標記，并將一維肌電信號轉換為二維格式；

步驟2：CNN架構獲取預處理數據的高維特征；使用雙并行CNN網絡架構；每一層都包含卷積層、池化層，但其內部參數不同；將處理過的肌電信號分別輸入到兩層獲得其特征；

步驟3：數據特征融合；對上述兩層CNN網絡產生的數據進行降維處理，最后使用拼接函數將處理過的數據進行拼接；

步驟4：RNN網絡處理融合數據；使用由兩層GRU網絡組成的串行RNN網絡變體，門控循環單元GRU處理融合后的數據，并在GRU后加入Attention機制來分析處理數據獲得其時序特征；

步驟5：手勢分類；引入全連接層和Softmax層對上述時序特征進行分類。

2.根據權利要求1所述的基于多流卷積神經網絡的肌電手勢識別方法，其特征在于：步驟1中，使用EMD自相關方法進行降噪處理，將一個肌電信號分解為有限個固有模態函數分量IMF，將高頻IMF信號利用自相關函數處理得到方差，若方差小于閾值則使用CTW小波對其去噪，將最終處理得到的兩種信號融合就得到去噪的表面肌電信號。

3.根據權利要求1所述的基于多流卷積神經網絡的肌電手勢識別方法，其特征在于：步驟1中，將表面肌電信號按照頻譜圖信號規律丟棄出異常部分以進行數據析取。

4.根據權利要求1所述的基于多流卷積神經網絡的肌電手勢識別方法，其特征在于：步驟1中，對數據進行標記，針對每種手勢對相應的肌電信號添加標簽，由此來獲得網絡訓練需要的訓練集、測試集和驗證集。

5.根據權利要求1所述的基于多流卷積神經網絡的肌電手勢識別方法，其特征在于：步驟1中，將一維肌電信號轉換為二維格式，設肌電信號采樣頻率為FHz，采樣手勢時間為Tms，利用滑動窗口法來實現；設置窗口長度Kms、滑動步長Sms，針對Tms手勢采樣時間，使用滑動窗口劃分產生(T-K)/S+1個子段信號B，每個子段信號B_i中含有K*F個數據點，i∈{1,2,…,(T-K)/S+1}，設處理后得到圖片寬為W高為H則W*H＝K*F，對于采集設備為多通道，假設通道數為C則最后得到的數據格式為W*H*C。

6.根據權利要求1所述的基于多流卷積神經網絡的肌電手勢識別方法，其特征在于：步驟2中，CNN網絡架構的上下兩層網絡均分為三層卷積層、三層池化層，卷積層在前池化層在后以次相互間隔，卷積層與池化層之間使用批量歸一化BN處理數據，同時在歸一化處理之后使用ReLu激活函數。

7.根據權利要求1所述的基于多流卷積神經網絡的肌電手勢識別方法，其特征在于：步驟3中，使用Concatenate函數將處理過的數據進行拼接。

8.根據權利要求1所述的基于多流卷積神經網絡的肌電手勢識別方法，其特征在于：步驟5中，對RNN網絡得到的數據進行Flatten處理使其數據一維化，設置一層全連接層其神經元個數為R，全連接層后加入Dropout層，之后引入Softmax分類層，內部神級元個數為Q大小等于需分類的手勢個數，該層對每種手勢類別進行概率計算，分值最大的即為該信號的手勢類別。