[发明专利]融合双注意力机制的特征金字塔网络的肌电手势识别方法

说明书

本发明公开了一种融合双注意力机制的特征金字塔网络的肌电手势识别方法，具体为：首先采用滑动窗口生成肌电子图，然后设计了一种特征金字塔轻量化注意力网络对每个采集通道肌电信号进行特征提取，特征金字塔轻量化注意力网络利用多个深度可分离注意力卷积模块提取多层特征，输入到特征金字塔中进行特征融合，同时加入双注意力机制，得到更为细化的特征，最后对多流网络的特征输出进行聚合进而得到手势识别结果。本发明利用特征金字塔和双注意力机制，充分提取信号特征，提高手势识别准确率，并使用深度可分离卷积替代传统卷积，降低网络参数量，使其在嵌入式平台下也能很好地应用。

技术领域

本发明属于深度学习与生物电信号相结合的领域，尤其涉及一种融合双注意力机制的特征金字塔网络的肌电手势识别方法。

背景技术

表面肌电信号（surface Electromyography，sEMG）是由多个肌纤维产生的运动单位电位在皮肤表面采集电极处时间和空间上综合叠加的结果，能够提供肌肉活动的重要信息，获取简单，为人与外部设备之间提供了一个新的接口。其中基于sEMG的手势识别是获取肢体语言的一个重要途径，可以通过采集sEMG信号对手势动作进行识别，提供良好的交互信息，相较于基于图像的手势识别，能够免于光照、复杂背景、遮挡等对识别精度的影响，其次基于图像的手势识别并不适用于无法做出正常手势的残肢者，但患者可以通过采集残肢肌肉运动产生的sEMG信号进行手势识别。因此基于sEMG的手势识别正逐渐成为研究的热点。

基于sEMG的手势识别分类问题，大致分为基于传统机器学习的手势识别与基于深度学习的手势识别。传统机器学习算法需要从sEMG数据中提取时域、频域或时频域特征，并选择适当的分类器模型进行识别分类。深度学习方法通过多层网络结构，自动从数据中逐步学习到高级的语义特征，不需要领域专业人员进行特征选择，从而实现端到端的识别框架，其强大的数据拟合能力也要优于浅层学习模型，已在多个领域取得了成功。

现有基于深度学习的肌电手势识别研究工作太多都使用CNN网络，但都是将多通道肌电信号转化为灰度图片送入到识别网络中，损失了时序信息。多通道肌电信号实质上为时间序列信号，隐藏着重要的时序信息。已有CNN手势识别模型往往没有根据肌电信号的这个特点进行针对性的设计，忽略了重要的时序信息。对于进一步提高基于稀疏表面肌电信号手势的准确率，有效并充分提取隐藏的时序特征是十分重要的一环。

注意力机制近年来已经逐渐成为深度神经网络领域中一个研究重点。通过模仿人类视觉注意力机制的思想，在不同应用场景下进行建模，已成功应用在如机器翻译、语音识别、图像识别等重要领域。

传统CNN只利用最后一个卷积层提取的特征进行目标识别，通过增加模型的深度获得更高级的语义特征，以提高识别精度。但是，其他卷积层所提取的特征都是可用的，但并没有得到充分利用。

肌电手势识别系统在实际应用中，特别是假肢手控制与游戏控制等应用场景中，对系统响应时间以及资源要求较高，不应具有用户可感知的延迟，不应占用过多的内存消耗。现有CNN手势网络方法参数量高，训练效率较低，在嵌入式平台上应用较为困难。简化结构和提高计算效率是需要解决的问题。

发明内容

针对现在识别方法的不足，本发明提供一种融合双注意力机制的特征金字塔网络的肌电手势识别方法。

本发明的一种融合双注意力机制的特征金字塔网络的肌电手势识别方法，主要采用基于时间与特征通道的双注意力机制、特征金字塔、深度可分离卷积，使网络充分利用多层特征、学习到更为细化的特征，提高手势识别准确率。同时在不降低手势识别率的情况下，轻量化网络，降低网络参数量。对网络进行有监督的训练后，可以对肌电手势进行识别。具体包括以下步骤：

步骤1：获取原始表面肌电信号，并进行滤波去噪；通过滑动窗口生成肌电子图，并将其归一化处理。