針對傳統(tǒng)模式識別方法在表面肌電信號(sEMG)分類時容易忽略非線性、時序性等特征的問題,文中提出基于時序二維化和卷積特征融合的分類方法.通過格拉姆角場轉(zhuǎn)換實現(xiàn)時序二維化,保留sEMG原始時間序列的時間依賴性和相關(guān)性.為了在突出局部信息的同時充分保留細節(jié)信息,引入膠囊網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)共同提取特征,并進行特征融合,實現(xiàn)不同條件下的手勢識別.對比多種分類方法的實驗表明,文中方法可以有效增強電極偏移情況和面向新對象時手部動作的整體識別水平,具有較強的魯棒性.

【文章頁數(shù)】：12 頁

【文章目錄】：
1 基于格拉姆角場的時序二維化
2 基于特征融合的分類方法
    2.1 卷積特征融合
    2.2 基于動態(tài)路由的膠囊網(wǎng)絡(luò)
    2.3 基于卷積特征融合的分類網(wǎng)絡(luò)
3 實驗及結(jié)果分析
    3.1 實驗設(shè)置
    3.2 表面肌電信號預(yù)處理
    3.3 電極偏移情況下的分類效果
    3.4 不同實驗對象下的分類結(jié)果
    3.5 時效性分析
4 結(jié)束語



本文編號：3956350