[发明专利]基于多特征融合CNN的肌电手势识别方法

权利要求书

1.基于多特征融合CNN的肌电手势识别方法，其特征在于：所述方法包括如下步骤：

步骤1：数据预处理；在数据预处理阶段，在对原始数据进行去噪、裁剪和标记措施后，将数据分别按照时域信号和频域信号两种方法进行处理，获得不同类别的输入数据；

步骤2：CNN架构获取输入数据浅层特征；CNN网络主要采取并行架构，初始网络是二并行，分别以时域信号和频域信号数据作为输入，经过两层卷积层后初步训练得到浅层数据特征，将并行特征融合后提取处理；

步骤3：CNN架构获取输入数据深层特征；进行完整的CNN网络训练，共包含5层卷积层和两层局部连接层，每一层的卷积核参数以及神经元数目根据神经网络训练过程中的微调得到最优结果，其中加入批量归一化以及池化处理以便得到较高的训练效率以及较优的数据特征；

步骤4：特征融合；将步骤2与步骤3中获得的浅层、深层特征经过Flatten和激活函数处理后得到相同尺寸的特征数据以便进行后续操作，再进行数据拼接后输入分类器；

步骤5：手势分类；利用全连接层和分类层对步骤4得到的最终特征进行概率计算，获取手势分类结果。

2.根据权利要求1所述的基于多特征融合CNN的肌电手势识别方法，其特征在于：步骤1中，采用双T型陷波滤波器来滤除信号中特定频率的噪声；其次，针对基线漂移，使用小波变换算法来去除基线干扰，通过小波变换对原始信号进行多尺度分解，观察分解出的低频系数，将原始信号减去基线，得到消除了基线漂移的信号值；然后，对于经过降噪处理的所有sEMG信号手动标记每个数据文件，对于不同受试者的不同手势添加相对应的标记，增加标签以便后续训练和测试环节使用；接下来是样本处理环节，将受试者动作过渡间隔的1s样本舍弃，其他样本标记为测试动作；最后，将肌电信号由一维格式转换为二维的时域信号图格式或是频谱图格式。

3.根据权利要求1所述的基于多特征融合CNN的肌电手势识别方法，其特征在于：步骤2中，在每个卷积层后添加了批量归一化和激活函数ReLu。

4.根据权利要求1所述的基于多特征融合CNN的肌电手势识别方法，其特征在于：步骤4中，将步骤2中提取出的浅层特征以及步骤3中提取出的深层特征进行融合处理，在经过Flatten函数操作以及全连接层处理后数据格式为Bi*Ui(i∈{1,2})，其中Bi为网络设置的batch_size，而Ui为全连接层中设置的输出空间维度，也即隐藏单元数目；在融合环节，使用Concatenate拼接函数进行特征的融合，输出一个由所有输入张量连接起来的输出张量，用于后续手势识别。

5.根据权利要求1所述的基于多特征融合CNN的肌电手势识别方法，其特征在于：步骤5中，将上述步骤得到的融合特征进行分类，根据输入信号具体判别其属于哪种手势类别；首先将训练得到的特征输入全连接层，全连接层的神经元数目设置为N。再连接Softmax分类层，该层神经元数目设置为N’,N’的数值根据所需要分类的手势类别决定。最后输出当前输入信号可能属于的手势类别的概率值，其中概率值最大的一类即为网络判断得出的sEMG手势识别结果。