[發明專利]一種基于雙分支多流網絡的肌電信號手勢識別方法

在審

• 申請號: 202111273722.0
• 申請日: 2021-10-29
• 公開（公告）號: CN113988135A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 郭劍;周楊;魯捷敏;韓嘉琛;何玉鵬;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;G06F3/01;G06N3/04;G06N3/08;A61B5/397
• 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

一種基于雙分支多流網絡的肌電信號手勢識別方法，將每一個采集電極獲得的肌電信號數據，經過數據預處理后，直接作為網絡流的一個獨立輸入，并構建了合適的模型架構與這一輸入方式相匹配。相較于傳統的先合并數據后分割方式，該方式在數據預處理時更加簡便，同時能夠減少因分割操作帶來的時間開銷，提高模型的運行效率；構建的網絡模型分別從整體與局部的角度，分析肌電信號與對應手勢之間的內在關聯性，同時利用投票機制結合兩個分支網絡的輸出來確定最終識別結果，使兩個分支網絡形成互補效益，彌補了各自的固有缺陷，進而提高手勢識別的準確度。

技術領域

本發明屬于生理信號識別領域，具體涉及一種基于雙分支多流網絡的肌電信號手勢識別方法。

背景技術

表面肌電信號(surface ElectroMyoGram，sEMG)是肌肉收縮時產生的電信號，是在體表無創檢測肌肉活動的重要途徑。表面肌電信號與人體動作有著密切的聯系。通過分析表面肌電信號，研究人員能夠分析和識別出人體的動作及行為意圖。近年來，基于表面肌電信號的手勢識別逐漸成為人機交互領域的前沿研究方向，被廣泛應用于康復醫學、機械控制、虛擬現實等領域。

傳統的肌電手勢識別方法一般包括四個環節：信號采集、數據預處理、特征提取和手勢分類。信號采集，是將電極置于人體皮膚表面，通過電極連接的采集設備收集和記錄電位變化數據。在數據預處理階段，原始信號經過帶通濾波處理，消除噪聲與異常數據。對處理后的數據，一般會運用滑動窗口技術，將數據切分成等長的數據段，每一段數據都是用于模型學習的樣本數據。特征提取階段，通常會對采集的數據使用多種提取算法得到一組特征數據，這組特征數據被稱為特征集合。最后，特征集合被降維處理后可用于訓練分類器，分類器把特征數據映射到給定手勢類別中的某一個，從而實現手勢分類。線性判別分析、支持向量機和隨機森林等都是肌電手勢分類中常用的分類器。近幾年，深度學習作為機器學習的一個分支方法，在肌電信號手勢識別領域展現出較好的性能。采用深度學習的算法不僅取得了比傳統方法更低的識別錯誤率，還大大簡化了識別流程。它能自動從訓練數據中學習特征，不需要人工設計特征集合提取算法。現階段，主流的深度學習方法包括卷積神經網絡(Convolutional Neural Network，CNN)，循環神經網絡(RecurrentNeural Network，RNN)，以及兩者的融合等。CNN通過卷積運算，能夠提取出輸入數據中的高維特征，依據特征對數據進行分類。RNN以序列數據為輸入，在序列演進方向進行遞歸分析。這兩類網絡都能很好的契合表面肌電信號的樣本特點，因此較適合處理肌電信號手勢識別問題。

目前，基于深度學習的肌電手勢識別方法，對輸入樣本的處理方式一般可分為兩類。一類是整體分析法，這類方法將各個電極采集到的肌電數據合并為一個整體，通過深度學習網絡對數據進行整體特征學習與分析，再輸出識別結果。另一類是分治分析法，這類方法先將輸入數據合并，然后將合并后的整體數據分割為多個等尺寸的片段，再采用多通道并行架構對每一個數據片段進行特征提取，最后用特征融合進行樣本分類。這兩類方法都存在一定缺陷，整體分析法忽略了手勢與某些肌肉組織的強關聯性，而分治分析法會隨著卷積層數的加深，丟失淺層提取出的細節特征信息。這些缺陷制約了識別準確度的進一步提升。

發明內容

本發明提出了一種基于雙分支多流網絡的肌電信號手勢識別方法。首先，本發明將每一個電極采集獲得的肌電信號數據，直接對應一個網絡流的獨立輸入，用于特征提取和分析。其次，本發明設計了一種雙分支架構，分別從整體與局部的角度，分析肌電信號與對應手勢類別之間的關聯性。在此基礎上，再使用投票機制結合兩個分支網絡的輸出，從而確定最終的手勢識別結果。本發明具體包含以下步驟。

一種基于雙分支多流網絡的肌電信號手勢識別方法，其特征在于：所述方法包括如下步驟：

步驟1：獲取肌電信號數據；通過采集電極設備，記錄人體在完成手勢動作時對應的肌電信號數據；

步驟2：數據預處理；

步驟3：構建網絡模型，用于特征提取與手勢分類；該網絡模型主要包含2個分支網絡模塊和1個投票機制模塊；