[发明专利]基于表面肌电信号进行手势识别的方法及系统

权利要求书

1.一种基于表面肌电信号进行手势识别的模型的训练方法，包括：

获取不同时刻的表面肌电信号的训练样本；

利用所述不同时刻的表面肌电信号的训练样本训练卷积递归神经网络模型，其中，所述卷积递归神经网络包括卷积层、递归层、融合层和决策层，所述卷积层用于提取每个时刻的表面肌电信号的空间特征，所述递归层用于基于所述不同时刻的表面肌电信号的空间特征提取每个时刻的时间特征，所述融合层通过注意力机制加权融合不同时刻的时间特征，所述决策层基于融合后的时间特征预测手势类别；

其中，所述决策层基于融合后的时间特征预测手势类别包括：

对于离线手势识别，将基于融合后的时间特征预测得到的手势类别中类条件概率最大的手势类别作为所述训练样本的手势类别；

对于在线手势识别，使用负对数似然函数作为损失函数预测所述训练样本的手势类别。

2.根据权利要求1所述的模型的训练方法，其中，所述卷积层包括标准卷积层和/或分组卷积层。

3.根据权利要求1所述的模型的训练方法，其中，所述递归层包括双向长短时记忆单元。

4.一种用于基于表面肌电信号进行手势识别的方法，包括：

获取用户不同时刻的表面肌电信号；

利用通过权利要求1-3中任一训练方法获得的卷积递归神经模型预测所述用户的手势类别。

5.一种用于基于表面肌电信号进行手势识别的系统，包括：

接口模块，用于获取不同时刻的表面肌电信号的训练样本以及获取用户不同时刻的表面肌电信号；

预测模块，用于利用训练好的卷积递归神经网络模型预测所述用户的手势类别；

训练模块，用于利用所述不同时刻的表面肌电信号的训练样本训练卷积递归神经网络模型，所述卷积递归神经网络包括卷积层、递归层、融合层和决策层，所述卷积层用于提取不同时刻的表面肌电信号的空间特征，所述递归层用于基于所述不同时刻的表面肌电信号的空间特征提取每个时刻的时间特征，所述融合层通过注意力机制加权融合不同时刻的时间特征，所述决策层基于融合后的时间特征预测手势类别；

其中，所述决策层基于融合后的时间特征预测手势类别包括：

对于离线手势识别，将基于融合后的时间特征预测得到的手势类别中类条件概率最大的手势类别作为所述训练样本的手势类别；

对于在线手势识别，使用负对数似然函数作为损失函数预测所述训练样本的手势类别。

6.根据权利要求5所述的手势识别系统，其中，所述卷积递归神经网络模型采用负对数似然函数作为损失函数。

7.一种存储介质，其中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现权利要求1-4中任一项所述的方法。

8.一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现权利要求1-4中任一项所述的方法。