1.一种基于RNN‑CNN架构的肌电手势识别方法,其特征在于:
所述手势识别方法依据肌电信号的时序特性,先对各通道信号使用处理序列问题效果好的RNN架构进行特征提取,再使用CNN架构对融合后的特征图提取,主要包含以下步骤:步骤1:数据预处理;
所述步骤1中的数据预处理,依次包括降噪、信号同步、重新标记和将肌电信号转换为二维格式四个步骤;
数据预处理中的将肌电信号转换为二维格式的单通道的肌电数据,具体为:
首先设置滑动窗口大小Mms和滑动步长Nms,该M小于300ms,产生(T‑M)/N+1个信号子段S,每段信号Si的数据点个数为M*F,其中i∈{1,2,…,(T‑M)/N+1};
再对每段信号Si进行筛选,筛选步骤如下:将Si分割成J个子块,由于肌电信号存在正负性,因此选取每个子块Sij中绝对值最大的点MaxSij,j∈{1,2,…,J},并将所有最值点按时间序列排序,得到新的肌电序列Ai,i∈{1,2,…,(T‑M)/N+1};
最后将每段信号Ai变换为二维格式W*H,且W*H=M*F,其中W代表时间步,H代表每个时间步的神经元个数;
对于多通道的肌电数据而言,则按通道顺序将各个通道的数据按上述操作进行预处理;
步骤2:RNN模块对预处理后的数据进行初步的特征提取;
步骤3:融合模块对RNN的输出结果进行融合处理;
步骤4:CNN模块对融合模块的输出结果进行特征提取与分析;
步骤5:分类模块用于模型输出对输入手势信号的判别,即根据当前输入的肌电信号判断它属于哪一个手势类别。
2.根据权利要求1所述的基于RNN‑CNN架构的肌电手势识别方法,其特征在于:数据预处理中的降噪处理,使用Hampel滤波器进行滤波,对原始的肌电信号过滤,清除50Hz电力线干扰的信号。
3.根据权利要求1所述的基于RNN‑CNN架构的肌电手势识别方法,其特征在于:数据预处理中的信号同步,将肌电信号同步,使所有通道的信号处于同一时间轴上。
4.根据权利要求1所述的基于RNN‑CNN架构的肌电手势识别方法,其特征在于:数据预处理中的重新标记,对于不同动作的肌电信号,根据手势的不同进行相应的标记,即给同一类手势的肌电信号标记标签。
5.根据权利要求1所述的基于RNN‑CNN架构的肌电手势识别方法,其特征在于:步骤2中,RNN模块采用并行架构,它的层次数目由通道数目决定;每一个并行的RNN模型架构相同,具体由两个LSTM组成,且在每个LSTM层中使用了Attention机制;设置LSTM的时间步、时间步中的结点参数分别为W和H。
6.根据权利要求1所述的基于RNN‑CNN架构的肌电手势识别方法,其特征在于:步骤3中,RNN模块输出二维格式的特征数据Fi,i∈{1,2,…,C},C为设备的通道数目;Fi的格式为WFi*HFi,WFi表示输出序列的时间步,HFi表示每个时间步的神经元个数;在融合阶段将各个通道的特征数据变形为多通道的图片格式的数据,即WFi*HFi*C。
7.根据权利要求1所述的基于RNN‑CNN架构的肌电手势识别方法,其特征在于:步骤4中,CNN模块采用线性结构,由三个卷积神经网络层组成,三个卷积神经网络层的参数设置如下:设置第一层CNN的卷积核个数为Filter1,步长分别为Sf11和Sf12,卷积核大小为Wf1*Hf1;设置第二层CNN的卷积核个数为Filter2,步长分别为Sf21和Sf22,卷积核大小为Wf2*Hf2;
设置第三层CNN的卷积核个数为Filter3,步长分别为Sf31和Sf32,卷积核大小为Wf3*Hf3;在每个CNN层后使用批量标准化层Batch Normalization和激活函数RuLu,通过批量标准化层避免数据差异性过大,通过激活函数实现去模型架构去线性化。
8.根据权利要求1所述的基于RNN‑CNN架构的肌电手势识别方法,其特征在于:步骤5中,分类模块将CNN模块的输出结果扁平化后使用全连接层连接,设置全连接层的神经元个数为Q;增加神经元的冻结率为R的Dropout层,减少模块出现过拟合的情况,最后连接Softmax分类层,它的神经元个数是需要分类的手势数目,返回当前信号属于各个手势的概率值,最大概率的手势代表该信号的手势类别。