1.一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:包括数据收集模块、数据预处理模块、手势识别模块和评估分析模块;
数据收集模块用于读取不同数据库中的肌电信号,通过相同的采集协议并对数据进行传输至数据预处理模块;
数据预处理模块在进行数据预处理时包括以下步骤:
步骤一、去噪,将数据收集模块收集读取的不同数据库中的数据进行去噪处理;
步骤二、动作划分,对每一个数据标签所对应的动作进行划分,将各个动作的肌电信号划分呈统一的片段EMG;
步骤三、数据归一化,根据所选的数据库的类型决定是否对数据进行归一化;
步骤四、片段EGM数据生成,在动作划分后,将片段EGM划分为相同大小的分析窗口,之后将信息传导至手势识别模块中;
手势识别模块分为三个阶段,数据输入阶段、信息扩展阶段和模型预测阶段,数据输入阶段用于连接数据预处理模块中的输出的数据,模型预测阶段由卷积神经网络和子域适应网络组成,通过信息扩展阶段的扩展;
所述评估分析模块基于手势识别模块中的数据,进行反复训练测试,通过计算公式对最终的手势识别的准确率进行计算。
2.根据权利要求1所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:所述数据收集模块读取NinaPro中的DB1和DB5的数据库。
3.根据权利要求2所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:所述数据预处理模块从数据收集模块中收集到DB1和DB5的数据后,通过具有1HZ的截止频率的1阶低通滤波器对DB1中的数据进行去噪,对DB5数据库中的数据不进行去噪处理。
4.根据权利要求3所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:所述DB1数据库和DB5数据库中的数据通过其自身携带的数据标签将其同一标签划分成片段EMG,所述数据归一化只针对DB5进行,通过滑动窗口对其肌电数据转化为分析窗口。
5.根据权利要求1所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:信息扩展阶段由信息扩展层组成,所述信息扩展层包括有三个分支,每个分支包含卷积层、批量归一化、ReLu激活层和SE注意力机制模块。
6.根据权利要求5所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:信息拓展层在进行信息扩展时,通过转换函数Ftr将卷积层的输出数据X转化为输出U(U=[u1,u2...uc]),具体计算公式如下:s s
其中, 表示对应每一个X的2D空间核,X表示的是第s个通道的数据,*表示卷积运算,之后将输出的uc压缩成一维向量z,z=[z1,z2...zc],计算方式如下:c
其中,z∈R,H和W分别表示的是二维矩阵的高和宽,Fsq()表示的是压缩函数,uc(i,j)s表示的是通道c上二维矩阵X 中的第i行第j列的值,在通过下面的计算公式为每个通道赋予权重,计算公式如下:s=Fex(z,w)=σ(g(z,w))=σ(W2δ(W1z))
其中,σ表示sigmoid激活函数,δ表示的是ReLu激活函数,W1和W2表示网络中的参数,且分别表示的是参数W1和W2的数据维度。
7.根据权利要求6所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:将权重s与uc通过函数Fscale(uc,sc)计算,可得到SE注意力机制的输出值该输出即为信息扩展层中的分支输出,输出公式如下:其中,Fscale(uc,sc)表示的是对每一个通道的uc与其对应的权重sc相乘,最后得出为最终计算结果。
8.根据权利要求7所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:所述模型预测阶段通过比较两个域中子域的关系来进行细粒度信息的捕获,并通过局部最大均值差异 来进行计算,具体计算公式如下:l sl
其中,Z表示第l个层激活,Z 表示的源域s中的第l个层激活,其下标中的i,j分别表示tl第i和第j个样本,Z 表示的目标域t中的第l个层激活,其下标中的i,j分别表示第i和第j个样本, 和 表示的是c类别中第i个样本和第j个样本的权重, 表示的是源域s中的c类别中样本xi的权重, 是源域s中的c类别中样本xj的权重, 表示的是在目标域t中的c类别中样本xi的权重, 表示的是在目标域t中的c类别中样本xj的权重,k(Zi,Zj)表示表示将样本映射到再生希尔伯特空间的特征图,<*,*>表示的是向量内积的运算,p和q分别代表不同的数据分布,t和s分别表示目标域和源域,ns和nt表示是源域和目标域的边界值。
9.根据权利要求2所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:评估分析模块通过对DBl子数据库和DB5子数据库配合所述手势识别模块进行重复训练,并对准确度进行评估。
10.根据权利要求9所述的一种卷积神经网络结合子域适应的低采样率肌电手势识别方法,其特征在于:手势识别准确率ACC计算公式如下:其中,S表示受试者的数量,m表示测试样本数量,n表示分类正确的样本数量。