[发明专利]一种基于多源域自适应的跨用户手势识别方法

说明书

本发明提供了一种基于多源域自适应的跨用户手势识别方法，尤其是肌电惯性手势识别方法，属于人工智能的人机交互技术领域，包括：S1：通过传感器获取多个被试前臂的肌电信号和惯性信号，构建多源域数据集；S2:对S1步骤中得到的肌电、惯性信号进行预处理与数据处理；S3：构建共有特征提取器，获取时序特征；S4：构建域特征提取器，进行域特有特征对齐；S5：构建域分类器，进行域分类器对齐；S6：计算多领域自适应方法的损失估计，将S3获得的数据送入模型中，对模型进行训练直到模型损失函数不再提升，保存模型。

技术领域

本发明涉及人工智能的人机交互技术领域，尤其是一种基于多源域自适应的跨用户手势识别方法。

背景技术

手势识别技术已在众多人机交互领域都表现出了极具重要的研究价值和应用前景：科学研究已经证实，使用融合手势识别技术和机器人技术的手康复机器人辅助医师对患者手部进行康复训练，能够帮助重塑神经系统，促进患者手部运动功能恢复正常。在消费类电子领域，以手势识别作为人机交互的应用场景更加丰富，如远程控制的家庭服务机器人，虚拟现实交互，在工业领域，使用手势识别技术结合机械手臂，可以保证工人在极限环境作业下的安全。在军事作战领域，语言和表情往往不适合士兵之间的交流及指挥方式，使用手势能够安全且清晰的表达作战命令。

由于信号的个体性差异，动作识别可以分为单用户动作识别算法和跨用户动作识别算法，区别在于训练数据集用户和测试数据集用户是否相同。

采用经典分类器的手势识别技术普遍包含四个步骤：信号检测、信号预处理及分段、特征提取、和手势动作分类。其中特征提取是决定手势识别效果的关键步骤。早期的研究重点是从时域角度对信号进行特征提取，比如使用均方根值、波形长度等特征；随着研究的继续深入，研究者使用更多的方式对信号进行提取，比如使用峰值频率、中值频率等频域特征；使用小波系数的绝对平均值、小波系数的平均能量等时频域特征。但人工设计特征中容易存在一些冗余信息而导致模型泛化能力弱、模型训练耗时长等问题，对于冗余特征问题，常用的方法是利用特征选择方法对提取到的特征进行筛选，从所有特征中保留高信息量和高价值的特征，从而构建一个特征维度较小，包含信息量较大的特征子集，常用特征筛选方法可以分为过滤式(Filter)、包裹式(Wrapper)和嵌入式(Embedded)三种方式。虽然特征筛选在一定程度上解决了特征冗余的问题，但效果和适用性仍有待进一步提高。

不同人之间由于肌肉的发达程度和肌肉收缩方式不同，执行相同动作时产生的肌电信号会存在差异，尤其是健康人和残疾人的肌电信号差异更大，因此限制了模型在多个用户之间的实用性。因此如何解决跨用户间的动作识别问题引起了研究者的广泛关注。现在常有的方法为使用迁移学习方法对跨用户动作识别进行研究，通过少量的新用户数据来更新已知用户的识别模型权重因子，使模型能够快速适应于新用户数据。以及采用领域自适应方法，通过一定的变换将已知用户数据和未知用户数据共同映射到同一个特征空间，通过微调模型可快速匹配新用户。但是由于不同用户的动作数据分布差异不可避免，即使训练再好的模型在面对新用户数据时，也会因数据分布差异而导致准确率下降。

发明内容

本发明目的针对上述现有技术不足，设计一种基于多源域自适应的跨用户手势识别方法，以解决现有技术中存在的技术缺陷。

为解决上述技术问题，本发明所采用的技术方案是：

S1：通过传感器获取多个被试前臂的肌电信号和惯性信号，构建多源域数据集。

S2：对S1步骤中得到的肌电、惯性信号进行预处理，包括带通滤波、工频陷波；进行数据处理，包括数据标签矫正，数据增强。

S3：构建共有特征提取器，通过长短时记忆(LSTM)以及激励网络(SENET)获取时序特征。