1.基于多流卷积神经网络的肌电手势识别方法,其特征在于:所述方法包括如下步骤:
步骤1:数据预处理;对原始的肌电信号首先进行降噪处理,然后通过数据析取排除干扰,最后对数据进行标记,并将一维肌电信号转换为二维格式;
步骤2:CNN架构获取预处理数据的高维特征;使用双并行CNN网络架构。每一层都包含卷积层、池化层等,但其内部参数例如卷积核大小等不同。将处理过的肌电信号分别输入到两层获得其特征。
步骤3:数据特征融合;对上述两层CNN网络产生的数据进行降维处理,最后使用拼接函数将处理过的数据进行拼接;
步骤4:RNN网络处理融合数据;使用由两层GRU网络组成的串行RNN网络变体,门控循环单元GRU处理融合后的数据,并在GRU后加入Attention机制来分析处理数据获得其时序特征;
步骤5:手势分类;引入全连接层和Softmax层对上述时序特征进行分类。
2.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法,其特征在于:步骤1中,使用EMD自相关方法进行降噪处理,将一个肌电信号分解为有限个固有模态函数分量IMF,将高频IMF信号利用自相关函数处理得到方差,若方差小于阈值则使用CTW小波对其去噪,将最终处理得到的两种信号融合就得到去噪的表面肌电信号。
3.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法,其特征在于:步骤1中,将表面肌电信号按照频谱图信号规律丢弃出异常部分以进行数据析取。
4.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法,其特征在于:步骤1中,对数据进行标记,针对每种手势对相应的肌电信号添加标签,由此来获得网络训练需要的训练集、测试集和验证集。
5.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法,其特征在于:步骤1中,将一维肌电信号转换为二维格式,设肌电信号采样频率为FHz,采样手势时间为Tms,利用滑动窗口法来实现;设置窗口长度Kms、滑动步长Sms,针对Tms手势采样时间,使用滑动窗口划分产生(T-K)/S+1个子段信号B,每个子段信号Bi(i∈{1,2,…,(T-K)/S+1})中含有K*F个数据点,设处理后得到图片宽为W高为H则W*H=K*F,对于采集设备为多通道,假设通道数为C则最后得到的数据格式为W*H*C。
6.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法,其特征在于:步骤2中,CNN网络架构的上下两层网络均分为三层卷积层、三层池化层,卷积层在前池化层在后以次相互间隔,卷积层与池化层之间使用批量归一化BN处理数据,同时在归一化处理之后使用ReLu激活函数。
7.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法,其特征在于:步骤3中,使用Concatenate函数将处理过的数据进行拼接。
8.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法,其特征在于:步骤5中,对RNN网络得到的数据进行Flatten处理使其数据一维化,设置一层全连接层其神经元个数为R,全连接层后加入Dropout层,之后引入Softmax分类层,内部神级元个数为Q大小等于需分类的手势个数,该层对每种手势类别进行概率计算,分值最大的即为该信号的手势类别。