[发明专利]一种基于多流分治卷积神经网络的表面肌电信号手势识别方法

摘要

本发明公开了一种基于多流分治卷积神经网络的表面肌电信号手势识别方法。步骤如下：将肌电信号转化为肌电图像；对肌电图像按照肌电电极布局和前臂肌肉形状进行分割；构建并训练多流分治卷积神经网络，得到最优网络模型；对待测数据进行分类；本发明和现有基于表面肌电信号的多类手部动作识别方法相比，提出一种多流分治卷积神经网络，使用分而治之的策略，从输入的肌电图像中提取包含更多局部肌肉活动特性的卷积特征，使神经网络可以更好地学习人体前臂肌肉的局部特征。本发明多流分治卷积神经网络相比传统单流神经网络以及随机森林等传统分类器，不论对于稀疏多通道肌电信号还是由二维电极阵列采集的高密度肌电信号，都具有更好的手势识别性能。

主权项

1.一种基于多流分治卷积神经网络的表面肌电信号手势识别方法，其特征在于，包括如下步骤：1)获取肌电信号，将肌电信号转化为肌电图像；2)对步骤1)得到的肌电图像，按照肌电电极布局和前臂肌肉形状进行分割；对于稀疏肌电信号，按照通道对肌电图像进行分割，将每个通道的肌电图像作为一个肌电子图像；对于二维肌电电极阵列采集的肌电信号，将肌电图像按照采集电极布局分成若干个等尺寸的肌电子图像；3)构建多流分治卷积神经网络，该卷积神经网络包括三部分：多个卷积神经网络流、融合模块和分类模块；3.1)卷积神经网络流：每个卷积神经网络流由卷积层和局部连接层构成，卷积层由2维卷积核构成，局部连接层由2维局部感知单元构成；步骤2)得到的肌电子图像作为卷积层的输入；3.2)融合模块：融合模块包括拼接单元和全连接层，拼接单元将多个卷积神经网络流的输出拼接起来，随后拼接的卷积特征被输入全连接层中；3.3)分类模块：分类模块由G‑way全连接层和softmax分类器构成，其中G为待分类手势数目，步骤3.2)全连接层的输出作为G‑way全连接层的输入，softmax分类器的输出为最终手势识别结果；4)使用训练数据对步骤3)构建的卷积神经网络进行训练，得到最优网络模型；5)使用步骤4)获得的最优网络模型，对待测数据进行分类，得到分类结果。