[发明专利]基于多特征融合CNN的肌电手势识别方法

说明书

基于多特征融合CNN的肌电手势识别方法，提出了基于并行的特征融合卷积神经网络架构。该方法为简化训练过程，减少训练集对于设计特定特征集的依赖，以深度学习方法中的卷积神经网络架构为基础进行设计；其次在架构上使用并行神经网络对时域信号和频域信号同时进行训练，有助于提升训练效率，减少训练时间；在训练模型中，提取训练初期的浅层数据特征与网络末端的深层特征相融合，输入分类层进行分类。

技术领域

本发明属于生理信号识别领域，具体涉及一种基于多特征融合CNN的肌电手势识别方法。

背景技术

生理信号是一种重要的数据资源，可在疾病的检测、治疗和康复等环节提供帮助。其主要包括人体正常生理活动中自发产生的信号，如心电信号、脑电信号、肌电信号、胃电信号等电生理信号和呼吸、脉搏、体温等非电生理信号。其中肌电信号(ElectroMyoGram，EMG)是随肌肉活动产生的一种重要生物电信号，它是众多肌纤维运动电位在时间和空间上的叠加。这一信息能够反映关节状态以及在运动过程中肢体的形状和位置等信息，是用于感知人体动作的重要方式。

目前，sEMG由于在测量上具有非侵入性、无创伤、操作简单等优点，在临床医学、人机交互以及动作识别等方面均有重要的实用价值。随着肌电信号采集设备的不断优化、识别技术和分类方法的不断完善，基于sEMG信号的手势识别准确度也在不断提升。现在sEMG手势识别领域，主要有两大类研究类别，一种是基于传统机器学习方法进行手势识别，另一种是基于深度学习方法进行肌电手势分类。

总的来看，两类方法都还存在不足之处，使用机器学习方法进行sEMG手势识别需要根据不同的应用场景选取不同的特征集，模型训练的时间较短，但对于研究人员来说，需要根据不同的输入数据设计相对应的特征提取方法，工作较为繁琐复杂；而使用深度学习方法，仅通过神经网络对于输入的sEMG信号进行不断的训练和迭代提取特征，容易导致经过一层层的卷积提取后特征过于简化，原始信号中的一部分特征信息丢失。

发明内容

针对以上问题，本发明从降低特征集依赖以及优化训练过程特征的角度出发，提出了基于多特征融合CNN的肌电手势识别方法。该方法为简化训练过程，减少训练集对于设计特定特征集的依赖，以深度学习方法中的卷积神经网络架构为基础进行设计；其次在架构上使用并行神经网络对时域信号和频域信号同时进行训练，有助于提升训练效率，减少训练时间；在训练模型中，提取训练初期的浅层数据特征与网络末端的深层特征相融合，输入分类层进行分类。

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。