[发明专利]一种基于深度学习的振动触觉编解码方法

说明书

本发明涉及一种基于深度学习的振动触觉编解码方法，具体包括以下步骤：将触觉信号不同维度数据进行联合编码，去除触觉数据三维空间上存在的冗余，同时对其进行预处理；利用门控循环单元网络GRU进行训练，每次均以两组数据输入，得到下一组数据的预测数据，并以下一组数据的真实值作为标签，将预测数据和真实数据进行比较计算残差对预测数据进行补偿，得到重构后的预测数据；将重构的预测数据与和前一组数据打包重新作为下一轮预测的输入数据。本发明较现有技术，在性能上有大幅度的提升。

技术领域

本发明涉及视频编码技术领域，特别是一种基于深度学习的振动触觉编解码方法。

背景技术

目前对触觉信息的研究还没有达到与听觉信息相同的高质量水平。特别是触觉编解码器的开发技术同音视频相比，还有相当一段距离，设计和优化还需要进一步的研究。因此，在当下设计一种能够同时满足显著降低数据速率，实现高保真且低延迟的触觉编解码器是十分必要且紧迫的。

目前对于触觉编解码器设计方案，主要分为两类，第一类是以人类触觉感知生理理论为核心的触觉编解码算法，第二类是借鉴音视频编码器的方案，采用将触觉信号转换到频域的压缩算法。

发明内容

有鉴于此，本发明的目的是提出一种基于深度学习的振动触觉编解码方法，较现有技术，在性能上有大幅度的提升。

本发明采用以下方案实现：一种基于深度学习的振动触觉编解码方法，具体包括以下步骤：

将触觉信号不同维度数据进行联合编码，去除触觉数据三维空间上存在的冗余，同时对其进行预处理；

利用门控循环单元网络GRU进行训练，每次均以两组数据输入，得到下一组数据的预测数据，并以下一组数据的真实值作为标签，将预测数据和真实数据进行比较计算残差对预测数据进行补偿，得到重构后的预测数据；将重构的预测数据与和前一组数据打包重新作为下一轮预测的输入数据。

进一步地，所述触觉信号不同维度的数据具体包括X、Y、Z三种维度。

进一步地，所述利用门控循环单元网络GRU进行训练，每次均以两组数据输入，得到下一组数据的预测数据，并以下一组数据的真实值作为标签，将预测数据和真实数据进行比较计算残差对预测数据进行补偿，得到重构后的预测数据，将重构的预测数据与和前一组数据打包重新作为下一轮预测的输入数据具体为：

步骤S1：令i＝1；

步骤S2：将第i组数据(X_i，Y_i，Z_i)与第i+1组数据(X_i+1，Y_i+1，Z_i+1)一同送入门控循环单元网络GRU，得到第i+2组预测数据(X'_i+2，Y'_i+2，Z'_i+2)；

步骤S3：将第i+2组预测数据(X'_i+2，Y'_i+2，Z'_i+2)与第i+2组的真实数据(X_i+2，Y_i+2，Z_i+2)做残差计算得到残差(ΔX'_i+2、ΔY'_i+2、ΔZ'_i+2)；