文献类型：期刊文章

作　　者：张松[1,2] 李江涛[1,2] 别东洋[1,2] 韩建达[1,2]

Zhang Song;Li Jiangtao;Bie Dongyang;Han Jianda(College of Artificial Intelligence,Nankai University,Tianjin 300350,China;Tianjin Key Laboratory of Intelligent Robotics,Nankal University,Tianjin 300350,China)

机构地区：[1]南开大学人工智能学院,天津300350 [2]南开大学天津市智能机器人技术重点实验室,天津300350

出　　处：《仪器仪表学报》

基　　金：新一代人工智能重大专项(2018AAA0103003);国家自然科学基金深圳联合基金重点项目(U1913208);机器人技术与系统国家重点实验室开放研究项目(SKLRS-2019-KF-01)资助。

年　　份：2021

卷　　号：42

期　　号：4

起止页码：228-235

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。

关 键 词：单通道表面肌电信号  分解  长短期记忆循环神经网络  手势识别

分 类 号：TP391.4] TH89[计算机类]