公开(公告)号：CN110598676A

公开(公告)日：2019-12-20

申请号：CN201910912473.1

申请日：2019-09-25

Applicant: 南京邮电大学

Inventor： 郭剑 ,  林俊延 ,  董树龙 ,  刘培宇 ,  高睿 ,  韩崇 ,  王娟

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 基于置信度得分模型的深度学习手势肌电信号识别方法，包含以下步骤：采集的肌电原始数据并进行预处理；预处理之后使用标签分别标注类别，然后每一个类别通过滑动窗口分割为多段数据；将数据划分为训练与测试数据，将训练与测试数据分别随机排序；对所有数据进行归一化操作；使用离散傅里叶变换转换为频谱数据，依据频谱计算出每个频率的能量，不同频率能量组成序列作为分类模型的输入；使用卷积神经网络模型与残差网络模型两种分类方法，原始肌电数据与频谱数据两种数据集，一共4种组合构成4个分类模型，模型分别单独进行训练；获取各个模型对手势的识别结果，使用置信度得分组合各个不同模型的结果，置信度总评分最高的为最终结果。

公开(公告)号：CN110598676B

公开(公告)日：2022-08-02

申请号：CN201910912473.1

申请日：2019-09-25

Applicant: 南京邮电大学

Inventor： 郭剑 ,  林俊延 ,  董树龙 ,  刘培宇 ,  高睿 ,  韩崇 ,  王娟

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 基于置信度得分模型的深度学习手势肌电信号识别方法，包含以下步骤：采集的肌电原始数据并进行预处理；预处理之后使用标签分别标注类别，然后每一个类别通过滑动窗口分割为多段数据；将数据划分为训练与测试数据，将训练与测试数据分别随机排序；对所有数据进行归一化操作；使用离散傅里叶变换转换为频谱数据，依据频谱计算出每个频率的能量，不同频率能量组成序列作为分类模型的输入；使用卷积神经网络模型与残差网络模型两种分类方法，原始肌电数据与频谱数据两种数据集，一共4种组合构成4个分类模型，模型分别单独进行训练；获取各个模型对手势的识别结果，使用置信度得分组合各个不同模型的结果，置信度总评分最高的为最终结果。