-
公开(公告)号：CN108388348B
公开(公告)日：2020-11-24
申请号：CN201810224699.8
申请日：2018-03-19
Applicant: 浙江大学
IPC: G06F3/01
Abstract: 本发明公开了一种基于深度学习和注意力机制的肌电信号手势识别方法，步骤如下：对手势肌电信号进行降噪滤波；使用滑动窗口对每个窗口数据提取一个经典特征集，并构建新的基于特征的肌电图像；设计一种基于卷积神经网络、循环神经网络和注意力机制的深度学习框架，并对其网络结构参数进行优化；使用设计好的深度学习框架和训练数据训练得到分类器模型；将测试数据输入到训练好的深度学习网络模型中，根据最后一层输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征图像及基于注意力机制的深度学习框架对肌电手势信号进行识别。使用基于深度学习和注意力机制的肌电信号手势识别方法能够准确地识别同一被试的多种不同手势。
-
公开(公告)号：CN105446484A
公开(公告)日：2016-03-30
申请号：CN201510801279.8
申请日：2015-11-19
Applicant: 浙江大学
IPC: G06F3/01
CPC classification number: G06F3/015 , G06F3/017 , G06F2203/011
Abstract: 本发明公开了一种基于隐马尔科夫模型的肌电信号手势识别方法，步骤如下：对手势肌电信号进行平滑滤；使用滑动窗口对每个窗口数据提取一种多特征特征集，对特征向量进行归一化和最小冗余最大相关性准则的特征降维；设计三种隐马尔可夫模型分类器，并对其参数进行优化；使用隐马尔科夫分类器模型参数和训练数据训练得到分类器模型；将测试数据输入到训练好的模型中，根据每个类别隐马尔可夫模型输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征集对三种常用隐马尔可夫模型分类器进行识别。使用基于隐马尔可夫模型的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
-
公开(公告)号：CN108491077B
公开(公告)日：2020-06-16
申请号：CN201810225157.2
申请日：2018-03-19
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多流分治卷积神经网络的表面肌电信号手势识别方法。步骤如下：将肌电信号转化为肌电图像；对肌电图像按照肌电电极布局和前臂肌肉形状进行分割；构建并训练多流分治卷积神经网络，得到最优网络模型；对待测数据进行分类；本发明和现有基于表面肌电信号的多类手部动作识别方法相比，提出一种多流分治卷积神经网络，使用分而治之的策略，从输入的肌电图像中提取包含更多局部肌肉活动特性的卷积特征，使神经网络可以更好地学习人体前臂肌肉的局部特征。本发明多流分治卷积神经网络相比传统单流神经网络以及随机森林等传统分类器，不论对于稀疏多通道肌电信号还是由二维电极阵列采集的高密度肌电信号，都具有更好的手势识别性能。
-
公开(公告)号：CN105608432B
公开(公告)日：2019-02-22
申请号：CN201510973702.2
申请日：2015-12-21
Applicant: 浙江大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于瞬时肌电信号的手势识别方法。在训练阶段，首先对阵列电极采集的瞬时肌电信号进行预处理，并将其按照电极位置排布成瞬时肌电图像；然后使用瞬时肌电图像及其对应的手势标签训练图像分类器，例如深度卷积神经网络，得到网络模型参数；在测试阶段，首先对阵列电极采集的待识别的瞬时肌电信号进行预处理，并将其按照电极位置排布成瞬时肌电图像；然后将训练好的模型参数带入到分类器中识别瞬时肌电信号对应的手势标签。本发明基于瞬时肌电图像和图像分类方法，可以快速准确地识别手势。国内外尚无文献使用瞬时肌电信号进行手势识别。
-
公开(公告)号：CN105426842B
公开(公告)日：2018-08-14
申请号：CN201510801198.8
申请日：2015-11-19
Applicant: 浙江大学
Abstract: 本发明公开了一种基于支持向量机的表面肌电信号多类手部动作识别方法。方法的主要步骤如下：1)获取肌电数据，对信号进行平滑滤波，并通过不同尺度的采样窗口生成数据样本；2)以数据样本为单位，从每个数据样本中提取出一个包含19种时域，频域以及时频域特征的新型多特征特征集，并对特征向量进行归一化和基于最小冗余最大相关性准则的特征选择；3)设计基于皮尔逊VII广义核的支持向量机分类器，使用基于交叉验证的粗网格搜索优化算法，对支持向量机的参数进行优化；4)使用训练集中的数据样本和步骤3)参数优化过程得到的分类器最优参数，训练分类模型，并将测试集中的数据样本输入分类模型进行分类测试。
-
Patent Agency Ranking
公开(公告)号：CN105426842A
公开(公告)日：2016-03-23
申请号：CN201510801198.8
申请日：2015-11-19
Applicant: 浙江大学
CPC classification number: G06K9/00355 , G06K9/54 , G06K9/6269
Abstract: 本发明公开了一种基于支持向量机的表面肌电信号多类手部动作识别方法。方法的主要步骤如下：1)获取肌电数据，对信号进行平滑滤波，并通过不同尺度的采样窗口生成数据样本；2)以数据样本为单位，从每个数据样本中提取出一个包含19种时域，频域以及时频域特征的新型多特征特征集，并对特征向量进行归一化和基于最小冗余最大相关性准则的特征选择；3)设计基于皮尔逊VII广义核的支持向量机分类器，使用基于交叉验证的粗网格搜索优化算法，对支持向量机的参数进行优化；4)使用训练集中的数据样本和步骤3)参数优化过程得到的分类器最优参数，训练分类模型，并将测试集中的数据样本输入分类模型进行分类测试。
-
公开(公告)号：CN105654037B
公开(公告)日：2019-05-21
申请号：CN201510971796.X
申请日：2015-12-21
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习和特征图像的肌电信号手势识别方法，首先对采集手势肌电原始信号进行预处理；其次进行特征提取，通过不同尺寸和概率的采样窗口提取出包括时域、时频域的特征，并将这些特征转换成图像；然后将特征图像和其对应的动作标签一起输入到深度神经网络中进行训练，得到网络模型；最后将测试数据和训练得到的网络模型输入深度卷积神经网络中进行预测，得到每段动作所有图像的预测标签，将这些标签按照多数同意规则进行投票，票数最高者为该段动作类别。本发明基于特征图像对深度卷积神经网络分类器进行识别。使用基于深度卷积神经网络的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
-
公开(公告)号：CN108491077A
公开(公告)日：2018-09-04
申请号：CN201810225157.2
申请日：2018-03-19
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多流分治卷积神经网络的表面肌电信号手势识别方法。步骤如下：将肌电信号转化为肌电图像；对肌电图像按照肌电电极布局和前臂肌肉形状进行分割；构建并训练多流分治卷积神经网络，得到最优网络模型；对待测数据进行分类；本发明和现有基于表面肌电信号的多类手部动作识别方法相比，提出一种多流分治卷积神经网络，使用分而治之的策略，从输入的肌电图像中提取包含更多局部肌肉活动特性的卷积特征，使神经网络可以更好地学习人体前臂肌肉的局部特征。本发明多流分治卷积神经网络相比传统单流神经网络以及随机森林等传统分类器，不论对于稀疏多通道肌电信号还是由二维电极阵列采集的高密度肌电信号，都具有更好的手势识别性能。
-
公开(公告)号：CN108388348A
公开(公告)日：2018-08-10
申请号：CN201810224699.8
申请日：2018-03-19
Applicant: 浙江大学
IPC: G06F3/01
Abstract: 本发明公开了一种基于深度学习和注意力机制的肌电信号手势识别方法，步骤如下：对手势肌电信号进行降噪滤波；使用滑动窗口对每个窗口数据提取一个经典特征集，并构建新的基于特征的肌电图像；设计一种基于卷积神经网络、循环神经网络和注意力机制的深度学习框架，并对其网络结构参数进行优化；使用设计好的深度学习框架和训练数据训练得到分类器模型；将测试数据输入到训练好的深度学习网络模型中，根据最后一层输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征图像及基于注意力机制的深度学习框架对肌电手势信号进行识别。使用基于深度学习和注意力机制的肌电信号手势识别方法能够准确地识别同一被试的多种不同手势。
-
公开(公告)号：CN105446484B
公开(公告)日：2018-06-19
申请号：CN201510801279.8
申请日：2015-11-19
Applicant: 浙江大学
IPC: G06F3/01
Abstract: 本发明公开了一种基于隐马尔科夫模型的肌电信号手势识别方法，步骤如下：对手势肌电信号进行平滑滤；使用滑动窗口对每个窗口数据提取一种多特征特征集，对特征向量进行归一化和最小冗余最大相关性准则的特征降维；设计三种隐马尔可夫模型分类器，并对其参数进行优化；使用隐马尔科夫分类器模型参数和训练数据训练得到分类器模型；将测试数据输入到训练好的模型中，根据每个类别隐马尔可夫模型输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征集对三种常用隐马尔可夫模型分类器进行识别。使用基于隐马尔可夫模型的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.016 seconds)
