基于深度残差网络的手势肌电识别算法研究

发布时间：2025-01-11 03:35

　　人体运动时,肌肉收缩会产生微弱的生物电信号。表面肌电信号是这些信号在皮肤表面的加性叠加,它与人体动作有着密切的联系。通过分析表面肌电信号,就能够分析和识别出人体的动作及行为意图。基于表面肌电信号的手势识别也因此成为人机交互领域的前沿领域。近年来,随着深度学习技术的发展,基于深度学习的手势识别逐渐成为研究的热点,并取得了一定的进展。本文也对此进行了研究,并做了如下工作。(1)本文将深度残差网络引入手势肌电识别中。原始的深度残差网络存在模型参数较多、训练时间和算法时延较长等缺陷,在一维信号数据上的识别效果也不佳。针对这些问题,本文提出了残差池化模型。该模型对原始的残差网络算法进行了修改,添加了池化层与身份映射,使得模型整体参数减少,并能更有效地学习信号数据。实验结果表明,残差池化模型相比于原有的残差网络与传统卷积网络,提升了手势分类的准确率。(2)针对一些精度要求较高的应用,本文提出了基于混合融合策略的肌电手势识别算法。算法首先通过控制数据重叠部分的长度来获得多个数据集,降低了单一数据集的固有误差。其次,算法引入了决策级模型组合方法,通过使用多个数据集与多种模型分类方法,增加模型间的差异,进...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 研究背景及意义
    1.2 本文主要研究内容
    1.3 论文结构安排
第二章 深度残差网络及相关研究
    2.1 深度学习相关方法概述
    2.2 深度残差神经网络算法
    2.3 本章小结
第三章 手势肌电识别算法相关研究
    3.1 传统的表面肌电信号手势识别算法
    3.2 基于深度学习的表面肌电信号手势识别算法
    3.3 本章小结
第四章 基于改进深度残差网络的手势肌电识别算法
    4.1 引言
    4.2 卷积神经网络肌电手势识别的优缺点
    4.3 基于深度残差池化网络的手势肌电识别算法
        4.3.1 残差单元的数量选择
        4.3.2 卷积核的长度
        4.3.3 额外的卷积与池化
    4.4 实验结果与分析
        4.4.1 实验环境与参数设置
        4.4.2 结果评价与分析
    4.5 本章小结
第五章 基于模型融合的手势肌电识别算法
    5.1 引言
    5.2 传统多模型架构融合手势肌电识别模型及其优缺点
    5.3 基于混合融合策略的手势肌电识别算法
        5.3.1 数据集多样性
        5.3.2 决策级模型组合
        5.3.3 置信度的计算
    5.4 实验结果与分析
        5.4.1 实验环境与参数设置
        5.4.2 结果评价与分析
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录1 攻读硕士学位期间申请的专利
附录2 攻读硕士学位期间参加的科研项目
致谢



本文编号：4025875