本技术借鉴计算机视觉领域的VanillaNet网络结构并改进后,将其应用于基于肌电信号处理的手势识别问题中,考虑到图像信号和肌电信号在数据维度和特征复杂度上的差异,VanillaNet网络难以直接应用在肌电信号处理,因此,本发明对VanillaNet网络结构在数据输入和结构简化上做了改进,以使其能够应用于肌电信号。最终在保证识别精度的情况下,能够实现模型轻量化;进一步的,本发明在数据预处理阶段,对模态分解方式和数据多域融合上进行改进,避免了模式混叠的问题,以进一步提高准确率,并提高鲁棒性;同时,本发明在实时控制过程中,还设计了一种数据缓存方法解决由智能仿生手设备自身引起的延迟现象。
背景技术
基于表面肌电图(Surface Electromyography,sEMG)信号的手势识别是智能人机交互中的关键技术之一,通过研究和理解人类运动意图,基于sEMG的手势识别技术能够实现对假肢直观且高效的控制,显著提升操作的自然性,能够改善上肢截肢患者的生活质量,还在推动技术创新方面发挥了关键作用。
在现有的肌电手势识别研究中,通常采用深度学习算法以提高手势识别的准确率,如HU等设计的TFN-FICFM网络。首先采用了一个时间融合网络(Temporal FusionNetwork),利用基于注意力的递归多尺度卷积模块来获取多层次的时间特征表示,并通过特征金字塔模块实现时间特征的深度融合,再利用深度融合的时间特征通过反馈循环生成多组手势类别预测置信度。然后使用基于模糊积分的分类器融合方法(Fuzzy Integral-based Classifier Fusion)对预测置信度进行模糊融合组成,以提高手势识别的准确性和鲁棒性。Karnam等提出了一种混合CNN和Bi-LSTM架构EMGHandNet,有效地结合了CNN在提取空间特征方面的优势和Bi-LSTM在编码时间依赖性方面的优势,提高手势识别准确率。
然而以上研究多侧重于提高手势识别准确率,但模型运算效率也是影响假肢商业化发展的重要因素之一,而在肌电信号识别的研究中关于深度学习模型轻量化的问题探究较少,往往存在模型计算效率低和能耗大的问题。
其次,多数研究者为了提高识别准确率,将研究重心放在了网络结构的不断优化上,忽略了不同域下的肌电信号存在不同特征信息,对不同域特征的融合也能够提高识别准确率,但目前提取时频域信号的模态分解方法层出不穷,大多存在模态分量混叠和边界效应的问题。另外,由于存在肌电信号的连续性和模型推理时间过快的现象,在智能仿生手实时控制过程中出现了动作解码执行延迟与手势切换误判延迟等现象。
实现思路