CN113934302B - 基于SeNet和门控时序卷积网络的肌电手势识别方法 - Google Patents
基于SeNet和门控时序卷积网络的肌电手势识别方法 Download PDFInfo
- Publication number
- CN113934302B CN113934302B CN202111228964.8A CN202111228964A CN113934302B CN 113934302 B CN113934302 B CN 113934302B CN 202111228964 A CN202111228964 A CN 202111228964A CN 113934302 B CN113934302 B CN 113934302B
- Authority
- CN
- China
- Prior art keywords
- convolution
- model
- gesture
- myoelectric
- senet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003183 myoelectrical effect Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000010410 layer Substances 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000012792 core layer Substances 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 7
- 230000001364 causal effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于SeNet和门控时序卷积网络的肌电手势识别方法，属于肌电信号处理领域，包括：S1、获得手势肌电信号数据，分为训练集、验证集和测试集；S2、对S1的手势肌电信号数据预处理；S3、将S2的手势肌电信号数据增强；S4、构建核心层；S5、构建注意力机制层；S6、构建完整模型；S7、将S3的数据输入到S6的完整模型中，对模型训练至模型损失函数不再提升，保存模型。本发明通过将数据进行增强扩充肌电数据集，提高了模型的识别精度和泛化性；通过使用SeNet对肌电数据通道之间特征提取，通过使用门控时间卷积网络对特征筛选，能够有效提高网络对肌电信号的手势识别精度，同时满足实时性和高性能的要求。
Description
技术领域
本发明涉及一种基于SeNet和门控时序卷积网络的肌电手势识别方法，属于肌电信号处理领域。
背景技术
手势识别目前成为人机交互的重要方式，手势识别实现方式可以分为基于视觉的手势识别和基于传感器的手势识别。其中使用肌电信号的手势识别属于后者，相比于其他手势识别方式具有可穿戴性、环境干扰小等优点，近年来成为人机交互的热点之一，目前基于肌电信号的手势识别主要方法分为基于机器学习手势识别与基于深度学习手势识别。
基于传统机器学习的手势识别方法流程可以分为肌电信号预处理、特征提取、特征筛选、分类。肌电信号预处理是对肌电设备采集到的肌电信号中噪声滤除、对肌电信号进行分段处理，对原始信号进行预处理能有效提高手势识别的准确率。特征提取是对肌电信号中提取到有用的信息，常见的特征有平均绝对值、中值频率、AR模型系数等。特征筛选是对肌电信号的冗余特征进行筛选，以避免模型训练时间长、维度灾难等问题，常用的特征筛选方法有F检验、卡方检验、皮尔森相关系数等。分类为该方式最为重要的一环，常用的分类方法有支持向量机、K近邻算法、随机森林等方法。
基于深度学习手势识别，目前使用目前更多的研究者关注于将深度学习应用于肌电信号手势识别，例如Manfredo Atzori等人使用简单的CNN模型在NinaPro DB1数据集上获得66.59±6.4％的识别率超过传统的机器学习方法，证明深度学习适合应用于肌电信号的手势识别。Wentao Wei等人使用多流卷积神经网络根据肌电信号通道和特定手势之间相关性来提高手势识别精度。Ali Samadani考虑到肌电信号的时序性将LSTM和GRU网络引入到肌电手势识别中，结果表明对肌电信号手势识别使用时序网络优于非时序网络。Panagiotis Tsinganos采用时间卷积网络对整段肌电信号进行分析，结果表明采用时间卷积神经网络的分类精度和速度均优于循环神经网络。
对于传统的机器学习方法，进行模型训练的特征需要人工提取，会存在特征提取不准确、处理流程较为复杂的问题，深度学习方法通过训练深层网络，可以对肌电信号进行有效特征提取，同时具有流程简单、鲁棒性高、识别效果好的优点，但是深度学习方法需要设置合适的特征提取层，否则会出现网络过深导致的训练准确率较低、训练时间过长、梯度消失等问题。
发明内容
本发明的目的是提供一种基于SeNet和门控时序卷积网络的肌电手势识别方法，该网络能够有效的捕捉到肌电时序特征和肌电信号通道之间的特征从而提高识别效率；通过时序卷积可以有效的扩大感受野，能够在更高效的学习肌电时序特征的同时不增加网络模型的复杂性。
为了实现上述目的，本发明采用的技术方案是：
一种基于SeNet和门控时序卷积网络的肌电手势识别方法，包括以下步骤：
S1：通过肌电信号数据库获得手臂的手势肌电信号数据，并对手势肌电信号进行分割，分为训练集、验证集和测试集；
S2：对步骤S1得到的手势肌电信号数据进行预处理，包括带通滤波、工频陷波和数据分段；
S3：将步骤S2得到的手势肌电信号数据增强，包括向数据添加高斯噪声、肌电信号采集通道互换和肌电信号时间轴的扩缩；
S4：构建核心层，核心层由时间卷积网络、门控卷积和SeNet组成，采用门控卷积替换时间卷积网络中的1维卷积构成门控时间卷积块，采用门控时间卷积块对肌电信号进行特征提取，将上述门控时间卷积块使用SeNet连接，之间插入一层ReLu层，整体构成SeNet-Gated-TCN层；
S5：构建注意力机制层，将步骤S4所得核心层进行堆叠，得到特征输出结果输入到注意力机制层，通过注意力机制将特征赋予不同权重；
S6：构建完整的模型，将步骤S5所得注意力机制层输出结果通过SoftMax激活函数进行输出，获得完整的手势识别模型；
S7：将步骤S3得到的数据输入到步骤S6所构建的完整模型中，对模型进行训练直到模型的损失函数不再提升，保存模型。
本发明技术方案的进一步改进在于：所述步骤S2中，采用四阶巴特沃斯滤波器对肌电信号进行0.1～200Hz的带通滤波，采用50Hz陷波器滤除掉肌电信号的工频干扰。
本发明技术方案的进一步改进在于：所述步骤S4采用的门控时间卷积块公式如下：
Gate＝sigmoid(A′)′*B+B
其中，A和B是输入经过一维因果卷积和膨胀卷积得到的特征序列，且A和B采用的卷积核大小和卷积核数量都是相同的；每个门控时间卷积块中卷积是由因果卷积构成，且每层利用不同的膨胀卷积尺度对肌电信号进行充分地分析。
本发明技术方案的进一步改进在于：所述步骤S5中，注意力机制对不同的特征赋予不同的权重，计算公式如下：
score(ht，hs)＝ht TWhs
其中αts表示肌电特征的权重参数向量，ht表示当前的输出状态，hs表示上层的输出状态，均值越大说明该肌电特征对结果影响更大，S是模型层数，W是权重矩阵由网络训练后获得，Ht表示经过注意力机制后的输出值。
由于采用了上述技术方案，本发明取得的技术效果有：
本发明通过将数据进行增强扩充肌电数据集，能够提高模型的识别精度和泛化性；通过使用SeNet对肌电数据通道之间进行特征提取，通过使用门控时间卷积网络对特征进行筛选，能够有效的提高网络对肌电信号的手势识别精度，同时满足实时性和高性能的要求。
附图说明
图1是本发明的完整手势识别模型图；
图2是本发明方法的门控时间卷积块图；
图3是本发明的SeNet-Gated-TCN层结构图。
具体实施方式
下面结合附图对本发明做进一步详细说明：
基于SeNet和门控时序卷积网络的肌电手势识别方法，包括以下步骤：
S1：采用肌电手势最大数据集NinaPro数据，本发明使用NinaPro DB5数据进行分析。NinaPro DB5使用两个MYO臂环共16个通道进行肌电信号采集以及三轴加速度信号采集，共采集10名健康受试者53种手势，受试者对每个手势重复6次，每个动作中间休息3秒。53手势包含12个精细手指动作、17个手腕动作、23个抓握手势和1个静息手势，每个受试者共计做318个手势动作。本发明将NinaPro DB5的第1、2、4、6次重复肌电手势数据作为训练集，第3次重复肌电手势数据作为验证集，第5次重复肌电手势数据作为测试集。
S2：对S1的数据进行预处理，包括带通滤波、工频陷波和数据分段。
S3：对S2得到的手势肌电信号数据增强，包括向数据添加高斯噪声、肌电信号采集通道互换、肌电信号时间轴的扩缩。模拟不同环境下收集到的肌电信号数据，通过数据增强来提升模型的鲁棒性和泛化性。
S4：构建SeNet-Gated-TCN层，SeNet-Gated-TCN层由时间卷积网络、门控卷积和SeNet组成。采用门控卷积替换时间卷积网络中的1维卷积，构成如图2所示的门控时间卷积块，采用门控时间卷积块对肌电信号进行特征提取以提高特征提取的能力；将上述两个门控时间卷积块使用SeNet连接，之间插入一层ReLu层，整体构成如图3所示结构。
S5：构建注意力机制层，将S4所得SeNet-Gated-TCN层进行堆叠，得到特征输出结果输入到注意力机制层，通过注意力机制根据特征重要性赋予其不同权重。
S6：构建完整的模型，将S5所得注意力机制层输出结果通过SoftMax激活函数进行输出，至此获得完整的手势识别模型，如图1所示。
S7：将步骤S3得到的数据输入到步骤S6所构建的完整模型中，对模型进行训练直到模型的损失函数不再提升，保存模型。
所述步骤S2中，采用四阶巴特沃斯滤波器对肌电信号进行0.1～200Hz的带通滤波，通带衰减为0.5dB，阻带衰减为40dB。将带通滤波后的数据经过50Hz陷波器进行工频陷波获得纯净的手势肌电信号。对于NinaPro稀疏肌电信号采用滑动窗口对52个数据点(260ms)作为一帧肌电图像，16个肌电信号组转化为肌电52*1*16的肌电图像。
进一步的，滑动窗口法设置窗口长度为L，滑动步长为S，对于时间为T的手势，使用滑动窗口法产生(T-L)/S+1个肌电手势段，针对步骤2中的手势采用窗口为260ms，滑动步长为25ms的数据，共产生790个数据段。
所述步骤S3中，本发明采用的三种数据扩充方法，1)加入高斯噪声，肌电信号在采集过程中不可避免的受到干扰，包括基线漂移噪声、运动伪迹噪声、工频干扰噪声、器材引起的小噪声。本发明对训练集的肌电信号添加符合X～N(0，1)的高斯噪声，即D′＝αD，α∈{0.1，0.2，0.3，0.4}，其中D′代表添加噪声后的数据，D代表原始数据。
2)时间轴缩放，手势肌电信号的有效活动段受到受试者的个人习惯的影响，对于不同人的同一个手势会有不同的肌电信号长度，使用缩放方法可以提高模型的泛化性，数据轴缩放流程如下：
3)通道反转，人体手部动作不同的手部动作是由不同的肌肉控制，稀疏式肌电采集设备对同一手势动作采集的通道会有所不同。但是构成的肌电图像在空间是相似的，类似于图像处理中的图像的部分翻转。因此有必要对这种情况进行数据扩充，公式如下：
emg(i，j)＝emg(i，k)，k＝random(0，j)
所述步骤4中，门控卷积块组成如图2所示，门控卷积模型块由时间卷积模型、门控卷积组成。本发明的门控卷积模块公式如下：
Gate＝sigmoid(A′)′*B+B
其中，A和B是输入经过一维因果卷积和膨胀卷积得到的特征序列，其中A和B采用的卷积核大小和卷积核数量都是相同的。
进一步的，每个门控卷积块的一维卷积是由因果卷积构成，且每层利用不同的膨胀卷积尺度对肌电信号进行充分地分析。本发明将层数设置为2层，每层包含2个门控卷积块且每次膨胀卷积2倍增加，最终感受野为61能够覆盖整个窗口的时间长度。
所述步骤S5中，所述注意力机制可以使模型对不同的特征赋予不同的权重，抽取出更为重要的信息同时不会大幅增加模型的复杂度。在本发明中，注意力机制在SoftMax分类函数之前，用于对和目标手势关联性大的肌电、惯性特征赋予更高的权重，计算公式如下：
score(ht，hs)＝ht TWhs
其中αts表示肌电特征的权重参数向量，ht表示当前的输出状态，hs表示上层的输出状态，均值越大说明该肌电特征对结果影响更大，S是模型层数，W是权重矩阵由网络训练后获得，Ht表示经过注意力机制后的输出值。
所述步骤S7中，使用55epoch并采用余弦退火算法调整学习率，每128个数据作为一个batch，使用交叉熵作为损失函数。训练在E5-1650GTX 1080Ti平台下每个epoch需要4分钟。
本发明模型在单肌电信号的识别精度为89％，同时使用肌电信号和惯性信号的识别精度为92.7％，优于TCN网络、SeNet-TCN网络、GateCNN网络。对比近年文献中肌电手势识别结果，如下表所示：
从表中看出，本发明所提一种基于SeNet和门控时序卷积网络的肌电手势识别方法在NinaPro DB5稀疏肌电数据集，识别精度上优于CNN、TCN等网络。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (2)
1.一种基于SeNet和门控时序卷积网络的肌电手势识别方法，其特征在于包括以下步骤：
S1：通过肌电信号数据库获得手臂的手势肌电信号数据，并对手势肌电信号进行分割，分为训练集、验证集和测试集；
S2：对步骤S1得到的手势肌电信号数据进行预处理，包括带通滤波、工频陷波和数据分段；
S3：将步骤S2得到的手势肌电信号数据增强，包括向数据添加高斯噪声、肌电信号采集通道互换和肌电信号时间轴的扩缩；
S4：构建核心层，核心层由时间卷积网络、门控卷积和SeNet组成，采用门控卷积替换时间卷积网络中的1维卷积构成门控时间卷积块，采用门控时间卷积块对肌电信号进行特征提取，将上述门控时间卷积块使用SeNet连接，之间插入一层ReLu层，整体构成SeNet-Gated-TCN层；
所述步骤S4采用的门控时间卷积块公式如下：
Gate＝sigmoid(A′)′*B+B
其中，A和B是输入经过一维因果卷积和膨胀卷积得到的特征序列，且A和B采用的卷积核大小和卷积核数量都是相同的；每个门控时间卷积块中卷积是由因果卷积构成，且每层利用不同的膨胀卷积尺度对肌电信号进行充分地分析；
S5：构建注意力机制层，将步骤S4所得核心层进行堆叠，得到特征输出结果输入到注意力机制层，通过注意力机制将特征赋予不同权重；
所述步骤S5中，注意力机制对不同的特征赋予不同的权重，计算公式如下：
score(ht,hs)＝ht TWhs
其中αts表示肌电特征的权重参数向量，ht表示当前的输出状态，hs表示上层的输出状态，均值越大说明该肌电特征对结果影响更大，S是模型层数，W是权重矩阵由网络训练后获得，Ht表示经过注意力机制后的输出值；
S6：构建完整的模型，将步骤S5所得注意力机制层输出结果通过SoftMax激活函数进行输出，获得完整的手势识别模型；
S7：将步骤S3得到的数据输入到步骤S6所构建的完整模型中，对模型进行训练直到模型的损失函数不再提升，保存模型。
2.根据权利要求1所述的一种基于SeNet和门控时序卷积网络的肌电手势识别方法，其特征在于：所述步骤S2中，采用四阶巴特沃斯滤波器对肌电信号进行0.1～200Hz的带通滤波，采用50Hz陷波器滤除掉肌电信号的工频干扰。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111228964.8A CN113934302B (zh) | 2021-10-21 | 2021-10-21 | 基于SeNet和门控时序卷积网络的肌电手势识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111228964.8A CN113934302B (zh) | 2021-10-21 | 2021-10-21 | 基于SeNet和门控时序卷积网络的肌电手势识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113934302A CN113934302A (zh) | 2022-01-14 |
| CN113934302B true CN113934302B (zh) | 2024-02-06 |
Family
ID=79281031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111228964.8A Active CN113934302B (zh) | 2021-10-21 | 2021-10-21 | 基于SeNet和门控时序卷积网络的肌电手势识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113934302B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114546111B (zh) * | 2022-01-30 | 2023-09-08 | 天津大学 | 基于肌电的智能小车手部穿戴控制系统及应用 |
| CN114931389B (zh) * | 2022-04-27 | 2024-07-05 | 福州大学 | 基于残差网络及图卷积网络的肌电信号识别方法 |
| CN115281902A (zh) * | 2022-07-05 | 2022-11-04 | 北京工业大学 | 一种基于融合网络的肌电假肢控制方法 |
| CN115836868B (zh) * | 2022-11-25 | 2024-08-23 | 燕山大学 | 基于多尺度卷积核尺寸cnn的驾驶员疲劳状态识别方法 |
| CN116401756B (zh) * | 2023-02-28 | 2024-09-17 | 沈阳航空航天大学 | 基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备 |
| CN116755547B (zh) * | 2023-05-16 | 2024-10-18 | 重庆理工大学 | 基于轻量化卷积神经网络的表面肌电信号手势识别系统 |
| CN116738295B (zh) * | 2023-08-10 | 2024-04-16 | 齐鲁工业大学(山东省科学院) | sEMG信号分类方法、系统、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
| WO2019080203A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、系统及机器人 |
| CN109886090A (zh) * | 2019-01-07 | 2019-06-14 | 北京大学 | 一种基于多时间尺度卷积神经网络的视频行人再识别方法 |
| CN110084209A (zh) * | 2019-04-30 | 2019-08-02 | 电子科技大学 | 一种基于父子分类器的实时性手势识别方法 |
| CN110298387A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 融入像素级attention机制的深度神经网络目标检测方法 |
-
2021
- 2021-10-21 CN CN202111228964.8A patent/CN113934302B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019080203A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、系统及机器人 |
| CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
| CN109886090A (zh) * | 2019-01-07 | 2019-06-14 | 北京大学 | 一种基于多时间尺度卷积神经网络的视频行人再识别方法 |
| CN110084209A (zh) * | 2019-04-30 | 2019-08-02 | 电子科技大学 | 一种基于父子分类器的实时性手势识别方法 |
| CN110298387A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 融入像素级attention机制的深度神经网络目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于CNN和sEMG的手势识别及康复手套控制;刘威;王从庆;;吉林大学学报(信息科学版)(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113934302A (zh) | 2022-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113934302B (zh) | 基于SeNet和门控时序卷积网络的肌电手势识别方法 | |
| Yang et al. | Dynamic gesture recognition using surface EMG signals based on multi-stream residual network | |
| Qiu et al. | Time-varying graph signal reconstruction | |
| CN109726751B (zh) | 基于深度卷积神经网络识别脑电成像图的方法 | |
| CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
| Huang et al. | Predicting human intention-behavior through EEG signal analysis using multi-scale CNN | |
| CN113180692B (zh) | 一种基于特征融合和注意力机制的脑电信号分类识别方法 | |
| CN110263606A (zh) | 基于端到端卷积神经网络的头皮脑电特征提取分类方法 | |
| CN106408550A (zh) | 一种改进的自适应多字典学习的图像超分辨率重建方法 | |
| CN112990008B (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及系统 | |
| CN110717423A (zh) | 一种老人面部表情的情感识别模型的训练方法及装置 | |
| CN114027786A (zh) | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统 | |
| CN116522106A (zh) | 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法 | |
| CN114861731A (zh) | 一种可跨场景通用的肌电模式识别方法 | |
| CN114569143A (zh) | 一种基于注意力机制与多特征融合的肌电手势识别方法 | |
| CN113128384A (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| Khalkhali et al. | Low latency real-time seizure detection using transfer deep learning | |
| CN112259228B (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
| CN112800882A (zh) | 一种基于加权双流残差网络的口罩人脸姿态分类方法 | |
| Stuart et al. | Deep learning shared bandpass filters for resource-constrained human activity recognition | |
| Sadouk et al. | Convolutional neural networks for human activity recognition in time and frequency-domain | |
| Han et al. | A Convolutional Neural Network With Multi-scale Kernel and Feature Fusion for sEMG-based Gesture Recognition | |
| CN116236209A (zh) | 一种单侧上肢运动态下力度变化运动想象脑电特征识别方法 | |
| Wang | A modified motor imagery classification method based on eegnet | |
| CN113780134A (zh) | 一种基于ShuffleNetV2网络的运动想象脑电解码方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |