基于表面肌电信号的手势识别方法

为了提高上肢手势动作的识别准确率,通过三阶巴特沃斯滤波器进行表面肌电信号(sEMG)去噪和时间滑动窗口合理分割sEMG信号预处理。特征提取使用了积分肌电值、均方根值和小波包变换系数,并提出了一种时域信号结合时频域信号的特征空间方法,包括了积分肌电结合小波包变换系数(IEME)和均方根值结合小波包变换系数(RMSME)。在特征空间构建基础上,提出了三种手势识别方法：支持向量机分类器(SVM)、人工鱼群算法优化支持向量机分类器(AFSA-SVM)和卷积神经网络(CNN)。实验共采集了10位受试者的8种上肢手势动作sEMG信号,并引用Nina Pro DB2公开数据集进行对比。实验结果表明,无论在实验采集数据和Nina Pro DB2公开数据集中特征空间IEME相对于RMSME都更具识别度,并且特征空间IEME在1D-CNN上识别平均准确率和平均训练用时均优于2D-CNN。在实验采集数据中1D-CNN识别平均准确率高达98.61%,相对于SVM和AFSA-SVM识别准确率提高了6.77%和10.61%,并且采用1D-CNN识别方法的平均训练时间为7.37s较SVM和AFSA-SVM减少了68.32s和221.53s,因此在手势sEMG信号识别分类中采用特征空间IEME和分类模型1D-CNN具有优势。     

基于多尺度跃层卷积神经网络的精细车型识别

为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分类器。利用自适应方式融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验中车型识别准确率达到97.59%。实验结果表明多尺度跃层卷积神经网络适用于精细的车型识别,并能提高识别的准确率。     

基于CNN 和sEMG 的手势识别及康复手套控制

由于sEMG( Surface Electromyography) 对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可 靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方 法,利用患者前臂的表面肌电信号,通过卷积神经网络( CNN: Convolutional Neural Network) 识别患者的手部运 动意图。通过组合特征提取方法,对8 通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包 分解能量特征、时域特征和频域特征共32 个特征。将8 个通道特征组成一个8 × 32 的数值矩阵并进行灰度处 理成特征图,再用此特征图训练卷积神经网络,对5 种不同手势进行分类,分类器准确率达到98． 1%。最后通 过STM32 I /O 口根据分类结果输出对应的PWM( Pulse Width Modulation) 控制信号控制康复手套的动作,表明 了该方法的可行性,为深入研究康复手套运动控制奠定了基础。     

基于惯性信号与肌电信号的手势识别方法

为解决人体表面肌电信号(EMG)误差较大导致手势识别准确率低的问题,提出了一种将手指尖与关节相对于腰部尾椎位置的惯性运动信号与手臂的EMG进行融合,提取新的手势特征集并利用改进禁忌搜索优化后的反向传播(BP)神经网络分类识别。实验结果表明,该特征集相比于传统的肌电特征集准确率提高了8.5%,优化后的BP神经网络相比于优化前准确率提高了12.33%,手势识别综合准确率可达99.75%。     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

一种基于WiFi信道状态信息的人体感知算法

针对现有的基于WiFi的动作识别系统不能同时识别人物身份的问题,提出一种基于WiFi信号的人体手势和身份识别算法(Wi-GAH). Wi-GAH采用神经网络方法进行设计,将信道状态信息的幅度特征转换成一个三维矩阵结构,以最大程度地保留单个样本数据所携带的空间、时间及频率相关性;然后采用二维卷积从三维矩阵中提取特征,并使用随机丢弃神经元和批归一化减小过拟合;最后利用多任务学习实现人体手势和身份的并行识别.实验结果表明, Wi-GAH对150个手势的识别准确率为95.67%,对4个人的身份识别率达到87.33%;当只需要区分人体的权限类别时,其识别准确率能达到92.05%.     

一种基于sEMG信号的手势识别方法研究

随着机器人技术的发展,利用表面肌电(surface electromyography,sEMG)信号进行动作识别成为研究的热点.针对sEMG与手部动作关系复杂且实际应用困难的问题,该文提出一种基于BP(back propagation)神经网络的模式识别系统,可通过指浅屈肌和肱挠肌的2路sEMG信息源,识别手部6种不同姿态.该研究采用1阶数字低通无限脉冲响应滤波器提取信号包络,并利用能量特征值进行端点检测,选取短时能量、过零率和12阶线性预测系数进行模式识别.实验结果表明:该方法可以达到90%以上的识别正确率,具有一定的实际应用前景.     

基于深度卷积神经网络和支持向量机的手势识别算法

为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。     

基于关键点的残差全连接网络动态手势识别方法

车载动态场景下,为了提高基于视频手势识别的准确率和鲁棒性,提出了一种基于关键点的残差全连接网络手势识别算法.对在不同车辆平台、不同运动条件下采集的不同光照强度的视频数据进行归一化等预处理后提取视频帧的关键点,以关键点个数为准则进行了关键帧选取以提高运算性能和降低算法复杂度,将从关键帧中所提取的关键点送入残差全连接网络实现连续手势的识别.在不同光线与车内环境下,所提算法对6类动态手势的平均识别准确率达到96.72%,相较3D卷积神经网络(C3D)、卷积神经网络(convolutional neural network,简称CNN)、长短时记忆网络(long short-term memory network,简称LSTM)和双流网络,其识别率分别提升了10.72%,6.40%,5.17%和4.50%.实验结果验证了所提算法在车载环境下连续手势识别的有效性.     

基于改进卷积神经网络的RFID单标签非接触手势识别研究

提出基于卷积神经网络的单标签非接触式手势识别系统，在不需要携带任何设备的情况下，利用单标签、单天线实现精准的手势识别。首先，通过人为添加干扰物，读取受多径效应影响的标签相位信号；其次，对标签相位信号进行预处理，选取动态时间规整算法(dynamic time wrapping, DTW)匹配与先验指纹库粗粒度手势识别；最后，将标签相位信号利用马尔可夫变迁场(markov transition field, MTF)生成特征图像，利用IM-AlexNet模型进行深度训练和实验测评。实验结果表明，改进后的模型训练参数减少为初始的7%,且准确率达到96.76%.该系统可大范围扩展，并具有较高的鲁棒性。