公开(公告)号：CN110610172A

公开(公告)日：2019-12-24

申请号：CN201910912380.9

申请日：2019-09-25

Applicant: 南京邮电大学

Inventor： 孙力娟 ,  季飞龙 ,  郭剑 ,  高睿 ,  董树龙 ,  刘培宇 ,  韩崇 ,  王娟

IPC: G06K9/00 ,  G06N3/04

Abstract: 一种基于RNN-CNN架构的肌电手势识别方法，依据肌电信号的时序特性，先对各通道信号使用RNN架构进行特征提取，再使用CNN架构对融合后的特征图进一步提取，主要包含以下步骤：数据预处理；RNN模块对预处理后的数据进行初步的特征提取；融合模块对RNN的输出结果进行融合处理；CNN模块对融合模块的输出结果进行特征提取与分析；分类模块用于模型输出对输入手势信号的判别，即根据当前输入的肌电信号判断它属于哪一个手势类别。本发明可以有效提取数据的时序关联性与特征，同时提高手势识别率；在数据预处理阶段引入最值点选取与拼接方法，减少了模型训练时间；避免了通道间的相互干扰，最后融合阶段利用多个通道的关联性，有利于肌电信号的识别。

公开(公告)号：CN110610172B

公开(公告)日：2022-08-12

申请号：CN201910912380.9

申请日：2019-09-25

Applicant: 南京邮电大学

Inventor： 孙力娟 ,  季飞龙 ,  郭剑 ,  高睿 ,  董树龙 ,  刘培宇 ,  韩崇 ,  王娟

IPC: G06K9/00 ,  G06V40/20 ,  G06N3/04

Abstract: 一种基于RNN‑CNN架构的肌电手势识别方法，依据肌电信号的时序特性，先对各通道信号使用RNN架构进行特征提取，再使用CNN架构对融合后的特征图进一步提取，主要包含以下步骤：数据预处理；RNN模块对预处理后的数据进行初步的特征提取；融合模块对RNN的输出结果进行融合处理；CNN模块对融合模块的输出结果进行特征提取与分析；分类模块用于模型输出对输入手势信号的判别，即根据当前输入的肌电信号判断它属于哪一个手势类别。本发明可以有效提取数据的时序关联性与特征，同时提高手势识别率；在数据预处理阶段引入最值点选取与拼接方法，减少了模型训练时间；避免了通道间的相互干扰，最后融合阶段利用多个通道的关联性，有利于肌电信号的识别。