- 1、本文档共83页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
摘要
基于深度学习的sEMG手部形态识别与应用研究
随着深度学习技术的飞速进步,如今的人机交互方式朝着多媒介、多通道的
智能人机交互转变。手势能直接表达人们的简单意图,因此研究手部形态即手势
识别成为促进人机交互领域发展的关键。表面肌电信号sEMG作为一种生物电
信号,与人的运动行为有直接的关联,并且具有无侵入性、高精度等优点,所以
利用表面肌电信号进行手势识别成为当下研究的热点。
但是,由于深度学习模型对肌电信号提取的特征过于单一,导致模型复杂化
并不能提高手势识别的精度,反而模型更容易学习到肌电信号当中的噪声数据,
泛化性能变差。为此,本文从丰富特征和去除冗余特征的角度对基于深度学习的
sEMG手部形态识别与应用进行研究。肌电手势识别又分为离散肌电手势识别和
连续肌电手势识别,针对两种类型的任务,本文具体的研究内容如下:
(1)离散肌电手势识别任务。本文提出MFSGR多模态融合模型用于融合肌
电数据与运动学数据。同时,构建时空模块对信号的时间空间依赖进行建模,利
用小波变换提取时频特征以丰富肌电特征,利用软阈值化去除噪声特征。本文的
模型在公开数据集NinaPro上同比近年来其他肌电识别算法,实现了精度的提升。
(2)连续肌电手势数据集构建。为了完成连续肌电手势识别,针对目前并没
有公开肌电连续手势数据集的现状,本文构建连续肌电手语数据集SECSL,
SECSL基于中文手语,包括数字手语动作及常用语连续手语动作。
(3)非端对端连续肌电手势识别。本文基于更小分割样本策略,将连续肌电
手势的识别任务转化为离散手势识别任务,提出FCSGR模型,在MFSGR模型
的基础上引入长时依赖模块,对肌电信号长时序关系建模,并通过合并丢弃策略,
获得最终动作序列。实验结果表明了方案的有效性。
(4)端对端连续肌电手势识别。将端对端的连续手势识别与实际应用场景结
合,提出肌电中文手语翻译任务。通过引入CTC分类,解决标签对齐及重复手
势问题,在SECSL上达到43.7%的错词率,结果证明方案可行性。
关键词:表面肌电信号,手势识别,深度学习,多模态,手语翻译
I
Abstract
ResearchonsEMGHandShapeRecognitionandApplication
BasedonDeepLearning
Withtherapidprogressofdeeplearningtechnology,todayshuman-computer
interactionischangingtowardsmulti-mediaandmulti-channelintelligenthuman-
computerinteraction.Handgesturescandirectlyexpresspeoplessimpleintentions,so
thestudyofhandshapeorgesturerecognition,hasbecomeakeytofacilitatethe
developmentofthehuman-computerinteractionfield.Asabioelectricsignal,surface
electromyographysignal(sEMG)hasdirectcorrelationwithhumanmotorbehaviorand
hastheadvantagesofnon-invasiveandhighaccuracy,sousingsurfaceEMGsignalfor
gesturerecognitionhasbecomeahotresearchtopicnowadays.
文档评论(0)