[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

说明书

本申请涉及电生理信号识别领域，公开了一种模型获取系统、手势识别方法、装置、设备及存储介质，模型获取系统包括：输入单元，用于获取当前个体的当前肌电数据及手势标签，手势标签包含手势信息；处理单元，被配置为：在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，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；根据当前个体的当前肌电数据及手势标签，对初始手势识别模型进行微调，得到当前个体的当前手势识别模型。通过根据个体数据对初始手势识别模型进行微调，准确获取当前手势识别模型。

技术领域

本申请实施例涉及电生理信号识别领域，特别涉及一种模型获取系统、手势识别方法、装置、设备及存储介质。

背景技术

肌电图(Electromyography,EMG)是通过肌电电极记录肌肉运动神经元放电而得到的电生理信号。它包含有丰富的神经信息，可被解码为许多与肢体相关的活动信号。EMG的采集具有对人体无害、易获取和易操作等特点，在手势识别分类领域有良好的应用前景，尤其是在医疗、娱乐以及其他的一些涉及机器控制的行业。

传统的肌电手势识别使用大量的单个个体预采集数据训练相应的模式识别分类器，常用的分类器模型包含传统机器学习的支持向量机、随机森林等模型，以及深度学习中基于卷积神经网络、循环神经网络等方法构建的模型。目前，肌电信号在手势识别的应用中有许多固有的问题，由于个体的肌肉神经分布具有特异性，并且受皮肤阻抗、肌肉结构等高度依赖个体特性的因素影响，肌电信号存在显著的个体差异，分类精度依赖单个个体的大量数据训练。此外，受电极移位、环境等因素影响，肌电信号特性的变化十分迅速，导致即便是在大量个体数据上训练出的模型，其精度依然会随着使用时间增长而逐渐降低。基于以上的原因，基于大量个体数据训练出的模型常常会因为采集数据量受限和先验知识浪费等因素，导致过拟合与模型性能不稳定等问题。

为了应对先验知识浪费的问题，迁移学习的方法给出了一种方案，但是迁移学习会面临灾难性遗忘问题，并且为了保证模型精度，依旧需要大量的个体数据进行训练，模型训练和模型应用场景切换仍旧较为复杂，训练和调整效率低。

发明内容

本发明实施例的旨在提供一种模型获取系统、手势识别方法、装置、设备及存储介质，旨在利用元学习的方式，通过少量个体数据准确的获取到适配当前个体特质的当前手势识别模型，提高手势识别模型训练和调整的效率，进而完成对当前个体手势的准确识别。

为解决上述问题中的一个或多个并实现上述目的，本申请实施例提供了一种模型获取系统，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。

为解决上述问题中的一个或多个并实现上述目的，本申请实施例提供了一种模型获取方法，包括：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；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，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。

为解决上述问题中的一个或多个并实现上述目的，本申请实施例提供了一种手势识别方法，包括：通过上述的模型获取系统获取当前个体的当前手势识别模型；获取所述当前个体的实时肌电数据；通过所述当前手势识别模型，根据所述实时肌电数据获取所述当前个体的手势。