人體運(yùn)動時(shí),肌肉收縮會產(chǎn)生微弱的生物電信號。表面肌電信號是這些信號在皮膚表面的加性疊加,它與人體動作有著密切的聯(lián)系。通過分析表面肌電信號,就能夠分析和識別出人體的動作及行為意圖�；诒砻婕‰娦盘柕氖謩葑R別也因此成為人機(jī)交互領(lǐng)域的前沿領(lǐng)域。近年來,隨著深度學(xué)習(xí)技術(shù)的發(fā)展,基于深度學(xué)習(xí)的手勢識別逐漸成為研究的熱點(diǎn),并取得了一定的進(jìn)展。本文也對此進(jìn)行了研究,并做了如下工作。(1)本文將深度殘差網(wǎng)絡(luò)引入手勢肌電識別中。原始的深度殘差網(wǎng)絡(luò)存在模型參數(shù)較多、訓(xùn)練時(shí)間和算法時(shí)延較長等缺陷,在一維信號數(shù)據(jù)上的識別效果也不佳。針對這些問題,本文提出了殘差池化模型。該模型對原始的殘差網(wǎng)絡(luò)算法進(jìn)行了修改,添加了池化層與身份映射,使得模型整體參數(shù)減少,并能更有效地學(xué)習(xí)信號數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明,殘差池化模型相比于原有的殘差網(wǎng)絡(luò)與傳統(tǒng)卷積網(wǎng)絡(luò),提升了手勢分類的準(zhǔn)確率。(2)針對一些精度要求較高的應(yīng)用,本文提出了基于混合融合策略的肌電手勢識別算法。算法首先通過控制數(shù)據(jù)重疊部分的長度來獲得多個(gè)數(shù)據(jù)集,降低了單一數(shù)據(jù)集的固有誤差。其次,算法引入了決策級模型組合方法,通過使用多個(gè)數(shù)據(jù)集與多種模型分類方法,增加模型間的差異,進(jìn)...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語注釋表
第一章 緒論
    1.1 研究背景及意義
    1.2 本文主要研究內(nèi)容
    1.3 論文結(jié)構(gòu)安排
第二章 深度殘差網(wǎng)絡(luò)及相關(guān)研究
    2.1 深度學(xué)習(xí)相關(guān)方法概述
    2.2 深度殘差神經(jīng)網(wǎng)絡(luò)算法
    2.3 本章小結(jié)
第三章 手勢肌電識別算法相關(guān)研究
    3.1 傳統(tǒng)的表面肌電信號手勢識別算法
    3.2 基于深度學(xué)習(xí)的表面肌電信號手勢識別算法
    3.3 本章小結(jié)
第四章 基于改進(jìn)深度殘差網(wǎng)絡(luò)的手勢肌電識別算法
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡(luò)肌電手勢識別的優(yōu)缺點(diǎn)
    4.3 基于深度殘差池化網(wǎng)絡(luò)的手勢肌電識別算法
        4.3.1 殘差單元的數(shù)量選擇
        4.3.2 卷積核的長度
        4.3.3 額外的卷積與池化
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置
        4.4.2 結(jié)果評價(jià)與分析
    4.5 本章小結(jié)
第五章 基于模型融合的手勢肌電識別算法
    5.1 引言
    5.2 傳統(tǒng)多模型架構(gòu)融合手勢肌電識別模型及其優(yōu)缺點(diǎn)
    5.3 基于混合融合策略的手勢肌電識別算法
        5.3.1 數(shù)據(jù)集多樣性
        5.3.2 決策級模型組合
        5.3.3 置信度的計(jì)算
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置
        5.4.2 結(jié)果評價(jià)與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間申請的專利
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝



本文編號：4025875