[发明专利]一种基于深度学习和特征图像的肌电信号手势识别方法

摘要

本发明公开了一种基于深度学习和特征图像的肌电信号手势识别方法，首先对采集手势肌电原始信号进行预处理；其次进行特征提取，通过不同尺寸和概率的采样窗口提取出包括时域、时频域的特征，并将这些特征转换成图像；然后将特征图像和其对应的动作标签一起输入到深度神经网络中进行训练，得到网络模型；最后将测试数据和训练得到的网络模型输入深度卷积神经网络中进行预测，得到每段动作所有图像的预测标签，将这些标签按照多数同意规则进行投票，票数最高者为该段动作类别。本发明基于特征图像对深度卷积神经网络分类器进行识别。使用基于深度卷积神经网络的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。

主权项

1.一种基于深度学习和特征图像的肌电信号手势识别方法，其特征在于，包括以下步骤：(1)从公开数据集NinaPro中获取手势动作肌电数据；对肌电信号进行预处理，包括去除噪声、信号整流及信号归一化，具体包含如下子步骤：(1.1)带通滤波，原始表面肌电数据带宽为15‑500Hz，滤波后为0‑25Hz；(1.2)信号放大；(1.3)均方根校正；(1.4)1Hz低通滤波；(1.5)去除带二义性标签的样本；(2)特征图像生成，具体包含如下子步骤：(2.1)使用50ms,100ms，150ms，三种长度的采样窗口对数据进行采样，其中采样窗口的移动步长为窗口长度的25％；(2.2)将步骤(2.1)采样后的数据中每个通道的数据提取特征矩阵，具体为：使用10种单值特征对数据进行特征提取，分别是：两帧信号幅值之差，信号幅值的绝对值之和，信号幅值的绝对平均值，改进信号幅值的绝对平均值1，改进信号幅值的绝对平均值2，信号均方根，估计肌肉收缩力非线性检测器，估测肌肉收缩力的对数检测器，小波包变换后信号的均值，小波包变换后信号标准差；(2.3)将在同一个样本中提取出的所有的特征矩阵使用平行通道式的图像组成方式作为颜色通道存储到图像中得到特征图像；平行通道式的图像组成方式具体为：假设目前得到了c种特征n个通道的f×f大小的特征矩阵，如果把数据中的n个通道看成类似于图像中的颜色通道，则将其变成(n×c)×f×f的图像作为输入，才可以充分利用卷积神经网络；(3)深度神经网络模型训练和手势识别,具体包含如下子步骤：(3.1)修改VGGNet网络使其适用于特征图像的深度神经网络模型；(3.2)由于每个被试的每个手势动作有10次重复数据，因此将10次重复数据按照5:3:2的比例分割为训练数据，测试数据，验证数据；(3.3)使用训练数据样本和验证数据样本进行网络模型优化和参数调整；(3.4)运用步骤(3.1)和步骤(3.3)中得到的网络结构模型和优化后的参数进行网络模型的训练，训练中至少迭代300次以上；(3.5)将测试数据输入到步骤(3.3)中的训练好的网络模型中进行标签预测；(3.6)将得到的标签按照所属的数据段按照多数同意规则进行投票，得到最后的分类结果。