欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021109896522
申请人: 南通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种用于手势识别的HDC‑BiGRU‑Attention模型,其特征在于,包括按处理方向依次设置的混合空洞卷积模块、Maxpooling池化层、第一Fullconnection层、BiGRU层、Attention层、第二Fullconnection层及Softmax层;

所述混合空洞卷积模块用于接收肌电信号,并提取所述肌电信号的特征,将所述特征传输至所述Maxpooling池化层;

所述Ma x po o l i ng 池化层用于对所述特征进行处理后,将所述特征输入第一Fullconnection层;

所述第一Fullconnection层用于对所述特征进行整理后,将所述特征输入所述BiGRU层;

所述BiGRU层用于提取所述特征中的时序特征后,将所述特征传输至所述Attention层;

所述Attention层用于根据所述特征的重要性赋予所述特征不同的特征权重后,将所述特征传输至所述第二Fullconnection层;

所述第二Fullconnection层用于对所述特征进行整理后,将所述特征传输至所述Softmax层;

所述Softmax层根据所述特征,对肌电信号对应的手势动作进行分类,以得到分类结果。

2.根据权利要求1所述的用于手势识别的HDC‑BiGRU‑Attention模型,其特征在于,所述混合空洞卷积模块包括依次堆叠的膨胀率分别为1、2、5的膨胀卷积层。

3.根据权利要求1所述的用于手势识别的HDC‑BiGRU‑Attention模型,其特征在于,还包括第三Fullconnection层,所述第三Fullconnection层设置于所述第二Fullconnection层与所述Softmax层之间。

4.一种用于手势识别的HDC‑BiGRU‑Attention模型的训练方法,其特征在于,包括如下步骤:选取公共数据集NinaproDB1中的多个第一数据构成训练集,并对训练集中的第一数据进行滤波处理;

将滤波处理后的第一数据按照窗口重叠法进行分段处理;将分段处理后的第一数据输入至权利要求1所述的用于手势识别的HDC‑BiGRU‑Attention模型进行训练,以得到训练好的用于手势识别的HDC‑BiGRU‑Attention模型。

5.根据权利要求4所述的用于手势识别的HDC‑BiGRU‑Attention模型的训练方法,其特征在于,将分段处理后的第一数据输入至权利要求1所述的用于手势识别的HDC‑BiGRU‑Attention模型进行训练的步骤包括:堆叠膨胀率分别为1、2、5的膨胀卷积层,以提取第一数据中的特征;

将所述特征输入至Maxpooling池化层进行处理防止过拟合,再将处理后的所述特征输入至第一Fullconnection层进行整理转换,并将整理转换后的特征输入BiGRU层以提取时序特征;

提取时序特征后将所述特征输入Attention层,所述Attention层根据所述特征的重要性赋予特征不同的特征权重;

将所述特征权重输入第二Fullconnection层进行整理,并将整理后的特征权重输入Softmax层进行手势动作分类,以得到分类结果;

根据所述分类结果计算分类准确率,并判断所述分类准确率是否达到预设准确率,若未达到预设准确率,则不进行收敛,并对模型参数进行优化;

优化后重复以上步骤,直至所述分类准确率达到预设准确率,进行收敛完成用于手势识别的HDC‑BiGRU‑Attention模型的训练,得到训练完成的模型参数。

6.根据权利要求4所述的用于手势识别的HDC‑BiGRU‑Attention模型的训练方法,其特征在于,得到训练好的用于手势识别的HDC‑BiGRU‑Attention模型的步骤之后,还包括:选取公共数据集NinaproDB1中的多个第二数据作为测试集,并将所述测试集输入至训练好的用于手势识别的HDC‑BiGRU‑Attention模型,以得到测试分类结果;

根据所述测试分类结果分别计算测试分类准确率和召回率。7.根据权利要求6所述的用于手势识别的HDC‑BiGRU‑Attention模型的训练方法,其特征在于,根据所述测试分类结果分别计算测试分类准确率和召回率的步骤包括:利用计算召回率,其中,i为类别,n为类别总数,R为召回率。

8.根据权利要求5所述的用于手势识别的HDC‑BiGRU‑Attention模型的训练方法,其特征在于,对模型参数进行优化的步骤包括:利用随机梯度下降算法对模型参数进行优化。9.根据权利要求5所述的用于手势识别的HDC‑BiGRU‑Attention模型的训练方法,其特征在于,根据所述分类结果计算分类准确率的步骤包括:根据分类结果获取正确分类的样本数量;利用P=M÷S计算分类准确率,其中,P为分类准确率,M为正确分类的样本数量,S为总的样本数量。

10.一种基于用于手势识别的HDC‑BiGRU‑Attention模型的表面肌电信号手势识别方法,其特征在于,包括如下步骤:获取待检测手势动作的表面肌电信号;将所述表面肌电信号输入至权利要求4所述的训练好的用于手势识别的HDC‑BiGRU‑Attention模型中,以得到表面肌电信号对应的手势识别结果。