[发明专利]基于表面肌电信号进行手势识别的方法及系统

说明书

本发明提供了一种基于表面肌电信号进行手势识别的方法和系统，该方法使用卷积递归神经网络提取每个时刻的表面肌电信号的空间特征和时间特征，并通过注意力机制加权融合时间特征以预测用户的手势类别。本发明的手势识别方法能够自适应学习表面肌电信号的有效特征表达，实现用户手势的高精准度识别。

技术领域

本发明涉及信号处理、人机交互技术领域，尤其涉及基于表面肌电信号进行手势识别的方法及系统。

背景技术

表面肌电信号(surface Electromyographic，sEMG)是一种常见的生物电信号，其可非侵扰地感知、解析用户肌肉活动。鉴于其在用于肌肉活动感知中的直观性、有效性，sEMG在手势识别领域展现了较好的应用前景。表面肌电信号手势识别系统的精度高度依赖于特征集合的选择。然而在手势识别、行为识别等机器学习领域，有效特征集合往往因不同信号特性而异。在传统手势识别方法中通常预定义特征集合以学习手势的特征表达，而最优手势特征集合往往因手势信号特点而异，无法适应信号分布特点，也不能实现数据自适应的手势识别，从而导致手势识别的准确性较低。

因此，亟需一种准确度高的基于表面肌电信号进行手势识别的方法和系统。

发明内容

因此，本发明实施例的目的在于克服上述现有技术的缺陷，提供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，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。

在一个实施例中，所述卷积层包括标准卷积和/或分组卷积。

在一个实施例中，所述递归层包括双向长短时记忆单元。

在一个实施例中，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。

在一个实施例中，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。

本发明的另一方面提供了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；利用通过上述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。

本发明的另一方面提供了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。

在一个实施例中，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。

本发明的另一方面提供了一种存储介质，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，能够用于实现上述任一项所述的方法。

本发明的另一方面提供了一种电子设备，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，能够用于实现上述任一项所述的方法。

本发明实施例的技术方案可以包括以下有益效果：