[发明专利]一种基于多扩展率压缩卷积的太极拳动作识别方法

说明书

本发明公开了一种基于多扩展率压缩卷积的太极拳动作识别方法，首先采集太极拳动作肌电数据，并进行数据预处理，然后提取源信号的时域特征，构建特征矩阵，通过多扩展率压缩卷积算法提取跨通道压缩特征序列，进行融合得到多维度融合特征矩阵，再通过长短期记忆网络得到时序关系特征，最后通过全连接层得到动作识别结果，完成太极拳动作识别。本发明的方法通过多扩展率的扩张卷积实现对肌电信号的多尺度跨通道特征提取，打破普通卷积中只能提取相邻通道之间的空间关系的局限性，可将任意尺寸的肌电信号序列所包含信息压缩为一维的压缩特征序列，以提取其高度融合的特征，降低数据冗余、参数数量和模型计算量，提高太极拳动作识别准确度。

技术领域

本发明属于动作识别技术领域，具体涉及一种基于多扩展率压缩卷积的太极拳动作识别方法。

背景技术

太极拳是我国的一种传统拳法，可强身健体、修身养性。在交互式太极拳康复训练过程中，可能存在动作不规范、动作协调性差等问题，需要进行指导。随着深度学习和机器学习的应用，表面肌电信号经常用于肢体运动的模式识别。文献“Learning EffectiveSpatial-Temporal Features for sEMG Armband-Based Gesture Recognition.IEEEINTERNET OF THINGS JOURNAL.2020，7(8)：6979-6992”利用MEMD将信号分解为多级，与原信号一同组成三维数据矩阵，通过CRNN对其进行特征提取和分类；文献“sEMG-BasedGesture Recognition Using Deep Learning From Noisy Labels.IEEE Biomed.HealthInformatics 26(9)：4462-4473(2022)”利用多层小波分解的多分辨率谱图来构造一个丰富的融合特征图，并用CNN模型来阐述形成的特征图像中的高冗余结构，从而达到手部动作识别的目的；文献“Surface Electromyography Image Driven Torque Estimation ofMulti-DoF Wrist Movements.IEEE Transactions on Industrial Electronics,2021，PP(99)：1-1.”通过采集HD-EMG信号，并通过CNN的演化模型提取瞬时肌肉活动潜在生理过程的相对全局测量，以实现手部动作识别；文献“Long exposure convolutional memorynetwork for accurate estimation of finger kinematics from surfaceelectromyographic signals.JOURNAL OF NEURAL ENGINEERING.2021，18(2)”采取重叠加窗的方式构造三维数据矩阵，再利用3D-CNN提取空间特征，实现动作识别。

但太极拳练习需要全身肌肉协同，这种协同关系在肌电信号上反映为通道之间的关系，现有机器学习方法和卷积结合循环网络的方法，通常忽略了通道关系，或只考虑相邻通道或固定扩展率下的空间关系，忽略了上下肢肌肉多种协同模式的问题，影响识别结果准确性。

发明内容

为解决上述技术问题，本发明提出了一种基于多扩展率压缩卷积的太极拳动作识别方法，兼顾肌电信号不同通道间关系及信号自有特征，降低数据维度，减少数据冗余，提高太极拳动作识别的准确性。

本发明的技术方案为：一种基于多扩展率压缩卷积的太极拳动作识别方法，具体步骤如下：

S1、采集太极拳动作肌电数据，并进行数据预处理；

S2、提取源信号的时域特征，构建特征矩阵；

S3、通过多扩展率压缩卷积算法提取跨通道压缩特征序列；

S4、基于步骤S3得到的源数据和四种时域特征的压缩特征序列，进行融合得到多维度的融合特征矩阵，再通过长短期记忆网络得到时序关系特征，最后通过全连接层得到动作识别结果，完成太极拳动作识别。

进一步地，所述步骤S1具体如下：