曹书豪 许成哲
【摘 要】本文提出了一种基于深度学习模型的表面肌电信号手势动作识别算法,采用瑞士Ninapro公开数据库,通过2阶巴特沃斯滤波器进行带阻滤波对原始信号进行预处理,并利用标准偏差滤除无信号段,采用时间窗重叠的方式将原始数据扩充至符合深度学习模型训练的数据量。最后将预处理后的数据输入34层ResNet深度学习模型并得出识别结果。实验结果显示本文提出的算法较比同类论文取得了更高的识别精度,在52手势动作分类识别准确率达到92.66%,验证了本算法的有效性。
【关键词】深度学习;表面肌电信号;手势动作识别
中图分类号: TP391.41文献标识码: A文章编号: 2095-2457(2019)01-0118-003
0 引言
表面肌电信号是通过表面电极记录下来的肌肉运动生物电信号,它可以反映神经、肌肉的功能状态,近年来随着科学技术的发展,国内外对本课题研究也逐渐深入,使得其在临床医学、运动医学、康复医学及体育运动等领域被广泛应用。
2014年Jongin Kim等人[2]以四种手势动作的PSD做为特征输入支持向量机进行识别,识别率达91.97%。Manfredo Atzori等人[3]采用RMS、HIST等特征对Ninapro提供的手势动作进行分类识别,其中利用随机森林神经网络进行52动作分类的最高精确率达75.27%。2017年Stefano Pizzolato等人[4]利用RMS等特征对Ninapro数据库提供的DB子数据库中27个人的52个手势动作进行分类识别,最高分类精度达69.13%。2017年浙江大学杜宇[5]将深度学习模型运用到了手势识别当中,采用基于深度卷积网络的方法,通过对Ninapro数据库提供的手势动作进行对比实验,训练好的分类器逐帧的对输入的肌电图像进行分类,手势动作分类结果为识别出的