[发明专利]一种基于双分支多流网络的肌电信号手势识别方法

权利要求书

1.一种基于双分支多流网络的肌电信号手势识别方法，其特征在于：所述方法包括如下步骤：

步骤1：获取肌电信号数据；通过采集电极设备，记录人体在完成手势动作时对应的肌电信号数据；

步骤2：数据预处理；

步骤3：构建网络模型，用于特征提取与手势分类；该网络模型主要包含2个分支网络模块和1个投票机制模块；

步骤4：使用采集数据对构建的网络模型进行训练，获得最佳的模型参数；

步骤5：应用模型；向网络模型输入所需识别的肌电信号，模型输出手势识别结果。

2.根据权利要求1所述的一种基于双分支多流网络的肌电信号手势识别方法，其特征在于：步骤1中，通过采集电极设备，以设定的采样率使用肌电信号采集设备对受测个体进行数据采集，采集电极设备的贴片电极分散地放置于受测个体的手背表面。

3.根据权利要求1所述的一种基于双分支多流网络的肌电信号手势识别方法，其特征在于：步骤2的预处理包括如下分步骤：

步骤2.1，在采集获得的原始肌电数据中选取一定时间长度的稳态数据作为有效数据，并进行滤波和去噪处理；

步骤2.2，使用滑动窗口方法对各贴片电极采集到的对应各通道数据进行切分，将同一时间片段内的各通道数据放入同一个集合，并贴上对应的手势动作标签，将每一个集合-标签对象作为一个单独数据样本；

步骤2.3，将步骤2.2处理后的全部数据样本划分为训练集和测试集。

4.根据权利要求1所述的一种基于双分支多流网络的肌电信号手势识别方法，其特征在于：步骤3包括如下分步骤：

步骤3.1，构建分支网络模块，包括分支网络1和分支网络2；分支网络1从局部角度分析每一处肌肉与手势的关联性，包含多个并行的网络流、特征融合层、多个全连接层和分类器；每个网络流由多个卷积层和1个长短时记忆LSTM层构成；

分支网络2从整体角度分析肌电数据与手势的关联性，包含多个卷积层、多个全连接层和分类器；

步骤3.2，构建投票机制模块；该模块接收2个分支网络模块的输出，再使用投票机制计算最终的手势识别结果并输出。

5.根据权利要求4所述的一种基于双分支多流网络的肌电信号手势识别方法，其特征在于：所述分支网络1的手势识别过程为：首先，将步骤2.2获得的数据样本作为网络的标准输入，将其包含的各通道数据分别对应地输入进各个网络流；然后，使用特征融合层将各个网络流输出的特征进行合并，再输入进全连接层进行维度变换；最终，由分类器接收全连接层输出的特征，再根据特征进行手势分类，进而输出识别结果。

6.根据权利要求4所述的一种基于双分支多流网络的肌电信号手势识别方法，其特征在于：所述分支网络2的手势识别过程为：首先，将步骤2.2获得的数据样本中的各通道数据通过特征融合层合并为一个整体，作为网络的标准输入；然后，原始输入依次经过卷积层的特征提取和全连接层的维度变换，再被输入进分类器；最终，由分类器根据特征信息输出手势识别结果。

7.根据权利要求1所述的一种基于双分支多流网络的肌电信号手势识别方法，其特征在于：所述投票机制模块接收2个分支网络模块的分类器输出，其输出格式为一个含有K个实数的向量，K个实数对应采集时的K种手势的可能性大小，值介于0到1之间，总和为1，标记为S(i)，表示第i种手势的可能性大小；使用投票机制结合两个分支网络的输出来确定最终结果，其计算公式为：

其中j代表分支网络的编号,S_j(i)代表第j个分支网络输出的第i种手势的可能性大小，a_j代表第j个分支网络的权重系数，probability(i)是经过计算后的第i种手势最终的可能性概率；将K个概率中最大的一项所对应的手势作为最终输出结果，记作g_final，则

probability(g_final)＝max(probability(i),i＝1…K)。

8.根据权利要求1所述的一种基于双分支多流网络的肌电信号手势识别方法，其特征在于：所述步骤4中包括如下分步骤：

步骤4.1：利用步骤2.3中得到的训练集单独训练两个分支网络，并通过测试集判断两个分支网络的识别性能，逐层确定最优参数，获得识别性能最佳的网络模型，并保存其对应参数；

步骤4.2：训练投票机制模块，确定最优权重系数。