采用变分模态分解与领域自适应的表面肌电信号手势识别

摘要

针对传统机器学习在表面肌电信号手势识别领域的适应性和准确性不足，以及新用户因个体生理和行为差异在已有模型上表现不佳的问题，提出一种利用卷积神经网络模型并有效克服肌电数据分布差异的算法，用于提升手势识别的性能。首先对肌电信号进行变分模态分解，构建易于识别的表面肌电图像，并提出了一种卷积神经网络模型进行手势识别，提升用户相关的肌电信号手势识别准确率；同时利用迁移学习中的领域自适应和模型微调技术，提升用户无关的肌电信号手势识别准确率，并将所提算法在NinaPro DB1肌电数据集中进行了3分类、4分类、5分类和12分类共4组评估验证。结果表明：在4组评估验证中，用户相关的肌电信号手势识别平均准确率分别达到了99.28%、99.30%、98.39%和93.40%,用户无关的肌电信号手势识别平均准确率分别达到了94.05%、92.60%、88.38%和70.03%,表明本文提出的算法在表面肌电信号手势识别中具有良好的效果，为实现人机交互中的普适性的肌电设备开发提供了一种可行的方案。

关键词

领域自适应 / 卷积神经网络 / 手势识别 / 变分模态分解 / 表面肌电信号

基金资助

国家重点研发计划(政府间国际科技创新合作重点专项)资助项目(2022YFE0115500)