1.基于轻量级卷积神经网络的肌电手势识别方法,其特征在于:所述方法包括如下分步骤:
步骤1,数据预处理:
步骤1‑1,对原始的肌电数据进行去噪处理,以去除信号中包括基线漂移、电极位移、运动伪迹、工频干扰在内的各种噪声,再使用滑动窗口对数据进行采样,并将处理后的数据进行格式转换;
步骤1‑2,选择5种时域特征进行提取,包括平均绝对值MAV、均方根RMS、信号斜率正负值变化次数SSC、过零点次数ZC、波形长度WL,以多角度地表征表面肌电信号,并与原始数据进行结合;
步骤1‑3,引入标签平滑LS方法防止过拟合;
步骤2,基于轻量级CNN的肌电手势特征提取:搭建基于轻量级卷积神经网络CNN的肌电手势特征提取模型部分,包括依次设置的输入端,传统卷积层、深度可分离卷积层、2个Csp Block、全局池化层、传统卷积层、分类器以及输出端;2个Csp Block由Csp‑1 Block和Csp‑2 Block组成;模型的激活函数采用Leaky Relu函数;
步骤3,手势分类:
搭建基于轻量级卷积神经网络CNN的肌电手势分类模型部分,与建立的特征提取模型部分连接,其包括依次设置的全局池化层、Dropout层、传统卷积层、分类器以及输出端;操作时,首先进行全局平均池化GAP,并通过Dropout随机失活操作,使部分神经元失活,再进行1×1卷积,并用Softmax分类器将结果映射到(0,1)之间的实数上,进行最终的多分类任务,得到每个手势类别各自的可能性,其中,最大概率的类别即会作为该手势的最终预测结果。
2.根据权利要求1所述的基于轻量级卷积神经网络的肌电手势识别方法,其特征在于:步骤1‑1中,首先,使用最小二乘法对基线漂移进行处理;其次,再使用巴特沃斯滤波器对运动伪迹进行处理;接着,再通过陷波滤波器,去除工频干扰;之后,再根据不同的手势类别,做标记,贴上相应的标签;
在上述操作处理完之后,若肌电数据的采样频率为f,采集手势的截取时长为t,则去除休息态的有效样本点共n=f×t个,设滑动窗口长度为w,滑动步长为s,则共得到(n‑w)/s+1个子采样数据Si,i∈{1,2,…,(t‑w)/s+1};若采集的为多通道的肌电数据,则需逐通道重复进行上述操作,设肌电信号采集时所使用的电极数为C,则对应的原始肌电数据的通道数也为C。
3.根据权利要求1所述的基于轻量级卷积神经网络的肌电手势识别方法,其特征在于:步骤1‑2中,选择了5种不同的时域特征进行提取,接着再与经过初步预处理的肌电数据拼接,得到更加具有表征性的数据,为后续输入神经网络做准备;具体所提取的时域特征如下所示,其中,N表示上述子采样数据Si的样本点总数,xi表示肌电信号的第i个样本点:平均绝对值MAV:
均方根RMS:
信号斜率正负值变化次数SSC:
其中,threshold是为了减小噪声干扰而设定的阈值参数;
过零点次数ZC:
波形长度WL:
4.根据权利要求1所述的基于轻量级卷积神经网络的肌电手势识别方法,其特征在于:步骤1‑3中,为防止拟合现象,通过人为设定一个起到类似噪音作用的平滑因子参数∈,为损失函数增强其它标签的损失函数值;标签平滑的具体公式如下:其中,∈是平滑因子参数,K是类别数,q'(k)是经过标签平滑修正后的新的标签概率分布,q(k)是原始的标签分布,k是分类类别中的第k类。
5.根据权利要求1所述的基于轻量级卷积神经网络的肌电手势识别方法,其特征在于:步骤2中,深度可分离卷积层由深度卷积与逐点卷积组合构成;深度卷积将卷积操作按通道分解,卷积核深度为1,一个通道对应一个卷积核,使每个通道进行不同尺寸的卷积操作;逐点卷积通过1×1的卷积核,调整通道数,将所有不同通道的特征进行融合,生成特征图。
6.根据权利要求1所述的基于轻量级卷积神经网络的肌电手势识别方法,其特征在于:步骤2中,Csp‑1 Block进行跨阶段运算处理;首先,将经过深度可分离卷积运算后得到的输出作为输入,将其分为两部分,包括Part 1和Part 2,每部分的卷积核个数均为原始输入的一半;其中,Part 1单独进行深度可分离卷积运算,而后再进行普通卷积作为局部过渡处理,使梯度组合的差异最大化,防止不同层学习重复的梯度信息;Part 2则不再进行任何额外的运算处理;最后,将Part 1和Part 2通过Concatenate拼接操作进行合并。
7.根据权利要求1所述的基于轻量级卷积神经网络的肌电手势识别方法,其特征在于:步骤2中,Csp‑2 Block,将经过深度可分离卷积运算后得到的输出作为输入,将输入的数据作为Part 1,对Part 1进行普通卷积得到Part 2,然后将Part 1和Part 2通过Concatenate拼接进行合并,得到输出。