[发明专利]一种模型及训练方法、表面肌电信号手势识别方法

说明书

本发明提出了一种HDC‑BiGRU‑Attention模型及训练方法、表面肌电信号手势识别方法，涉及生物特征技术领域。一种HDC‑BiGRU‑Attention模型，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。该HDC‑BiGRU‑Attention模型不仅不需要人工提取特征，减少了工作量，提高了效率，而且可以避免模型训练时产生的过拟合现象，提高了表面肌电信号的手势识别准确率，减少了计算量。

技术领域

本发明涉及生物特征技术领域，具体而言，涉及一种模型及训练方法、表面肌电信号手势识别方法。

背景技术

近年来随着科学技术的高速发展，人机交互的方式也得到了很大的改变。在进行基于手势的人机交互时，对手势进行识别是一个很重要的过程。手势识别时，一般过程是先提取手势的特征，然后根据所提取的特征根据有效的识别方法进行手势识别。

传统的手势识别方式很多，如基于神经网络的识别方法具有较强的识别分类识别能力的分类能力，但是该方法采用神经网络层数一般较浅，很容易出现过拟合的现象。随着机器学习和深度学习在计算机视觉的迅速发展，基于机器学习和深度学习的方法受到越来越多研究者的关注。其中，基于深度神经网络则有着局部连接、权值共享、自动特征提取等特点过程给手势识别的任务带来新的思路。因此针对手势变化的复杂性，也有一些研究者提出了基于深度卷积神经网络的手势识别方法。但是由于用于训练的手势图像的相似度都很高，模型训练时产生的过拟合现象仍然无法避免，严重影响到了模型最终识别的效果，从而造成基于表面肌电信号的手势识别准确率低、计算量大的问题。

发明内容

本发明的目的在于提供一种HDC-BiGRU-Attention模型及训练方法、表面肌电信号手势识别方法，用以改善现有技术中无法避免模型训练时产生的过拟合现象而影响模型最终识别的效果，从而造成了基于表面肌电信号的手势识别准确率低、计算量大的问题。

本发明的实施例是这样实现的：

第一方面，本申请实施例提供一种HDC-BiGRU-Attention模型，其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。混合空洞卷积模块用于接收肌电信号，并提取肌电信号的特征，将特征传输至Maxpooling池化层。Maxpooling池化层用于对特征进行处理后，将特征输入第一Fullconnection层。第一Fullconnection层用于对特征进行整理后，将特征输入BiGRU层。BiGRU层用于提取特征中的时序特征后，将时序特征传输至Attention层。Attention层用于根据特征的重要性赋予特征不同的特征权重后，将特征传输至第二Fullconnection层。第二Fullconnection层用于对特征进行整理后，将特征传输至Softmax层。Softmax层根据特征，对肌电信号对应的手势动作进行分类，以得到分类结果。

在本发明的一些实施例中，上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。

在本发明的一些实施例中，上述HDC-BiGRU-Attention模型还包括第三Fullconnection层，第三Fullconnection层设置于第二Fullconnection层与Softmax层之间。

第二方面，本申请实施例提供一种HDC-BiGRU-Attention模型的训练方法，其包括如下步骤：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上述第一方面中任一项的HDC-BiGRU-Attention模型进行训练，以得到训练好的HDC-BiGRU-Attention模型。