[发明专利]模型获取系统、手势识别方法、装置、设备及存储介质

权利要求书

1.一种模型获取系统，其特征在于，包括：

输入单元，用于获取当前个体的当前肌电数据及手势标签，所述手势标签包含手势信息；

处理单元，被配置为：

在所述当前个体不存在个人手势识别模型的情况下，获取初始手势识别模型，其中，所述初始手势识别模型根据基于多个个体的历史肌电数据及手势标签生成的若干个元学习任务进行元学习训练生成，且每个所述元学习任务基于同一个体的历史肌电数据及手势标签生成；

根据所述当前个体的当前肌电数据及手势标签，对所述初始手势识别模型进行微调，得到所述当前个体的当前手势识别模型；

根据所述当前个体的肌电数据及手势标签，生成所述当前个体的当前元学习任务，并根据所述当前元学习任务对所述初始手势识别模型继续进行元学习训练，生成所述个人手势识别模型；

在所述当前个体存在所述个人手势识别模型的情况下，根据所述当前个体的当前肌电数据及手势标签，对所述个人手势识别模型进行微调，得到所述当前个体的所述当前手势识别模型；

所述处理单元还被配置为：根据所述当前个体的肌电数据及手势标签，生成所述当前个体的所述当前元学习任务，并根据所述当前元学习任务对所述个人手势识别模型继续进行元学习训练，生成参数优化后的所述个人手势识别模型。

2.根据权利要求1所述的模型获取系统，其特征在于，所述初始手势识别模型可以通过以下方式训练生成：

基于多个个体的历史肌电数据及手势标签，对具有梯度反向传递的网络模型进行训练，得到原始手势识别模型；

根据多个个体的历史肌电数据及手势标签，生成若干个所述元学习任务，且每个所述元学习任务基于同一个体的历史肌电数据及手势标签生成；

利用各所述元学习任务对基于所述原始手势识别模型的元学习器进行元学习训练，获取所述初始手势识别模型。

3.根据权利要求2所述的模型获取系统，其特征在于，所述具有梯度反向传递的网络模型为卷积神经网络CNN模型，长短期神经网络LSTM模型和循环神经网络RNN模型中任一种。

4.根据权利要求2所述的模型获取系统，其特征在于，所述元学习任务包括支撑集和查询集，所述利用各所述元学习任务对基于所述原始手势识别模型的元学习器进行元学习训练，包括：

对于每一个所述元学习任务，先将所述元学习器的参数赋值给基学习器，然后根据所述支撑集中的肌电数据及肌电数据对应的手势标签，对所述基学习器进行训练以优化所述基学习器的参数；

根据所述查询集中的肌电数据及肌电数据对应的手势标签，获取参数优化后的所述基学习器的手势标签预测结果的预测误差；

根据所述预测误差，对所述元学习器进行梯度更新以优化所述元学习器的参数。

5.根据权利要求4所述的模型获取系统，其特征在于，所述根据所述支撑集中的肌电数据及肌电数据对应的手势标签，对所述基学习器进行训练以优化所述基学习器的参数，包括：

将所述支撑集中的肌电数据作为输入，肌电数据对应的手势标签作为监督信号，获取所述基学习器的手势标签预测结果的损失值；

根据所述损失值，对所述基学习器进行梯度更新，以获取基学习器新的参数。

6.根据权利要求4所述的模型获取系统，其特征在于，所述获取参数优化后的所述基学习器的手势标签预测结果的预测误差，包括：

根据参数优化后的所述基学习器及所述查询集中的肌电数据，获取肌电数据的所述手势标签预测结果；

通过预设损失函数、所述手势标签预测结果和所述肌电数据在所述查询集中对应的手势标签，获取所述手势标签预测结果对应的损失值，根据所述查询集中的所有肌电数据所对应的损失值，获取所述预测误差。

7.根据权利要求6所述的模型获取系统，其特征在于，所述根据所述查询集中的所有肌电数据所对应的损失值，获取所述预测误差，包括：

获取所述查询集中的所有肌电数据所对应的损失值的平均值，将所述平均值作为所述预测误差。