36、基于表面肌电信号的手势识别深度学习方法

基于表面肌电信号的手势识别深度学习方法

1. 引言

过去几十年，人机交互（HCI）中的手势识别备受关注，其应用广泛，涵盖手语识别、机器人设备控制、虚拟现实游戏和假肢控制等领域。在各种用于捕捉手部手势信息的传感器模式中，肌电图（EMG）是更合适的选择，因为它能捕捉到产生手部手势的肌肉电活动。EMG数据可通过侵入性或非侵入性方法记录，其中表面肌电图（sEMG）是从皮肤表面测量肌肉动作电位的技术，与侵入皮肤到达肌肉的侵入性方法不同。

传统的基于sEMG的手势识别常采用机器学习（ML）的模式识别方法，其流程包括数据采集、特征提取、模型定义和推理。数据采集时需在目标肌肉群周围附着一个或多个电极，分类用的特征通常由人类专家手工制作，用于捕捉数据的时间和频率特征，这些特征作为输入被用于如k近邻（kNN）、支持向量机（SVM）、多层感知器（MLP）、线性判别分析（LDA）和随机森林（RF）等ML分类器，通过调整分类器参数实现准确分类。

深度学习（DL）作为一类ML算法，彻底改变了许多数据分析领域，如卷积神经网络（CNNs）和循环神经网络（RNNs）分别在图像分类和语音识别任务中取得成功。DL方法与传统ML方法的不同之处在于，特征提取是模型定义的一部分，无需手工制作特征。尽管这些方法并非新事物，但由于数据的丰富性和计算硬件的进步，它们最近受到了更多关注。

基于这些进展，基于sEMG的手势识别问题被转化为DL分类任务。DL流程的主要步骤包括数据采集、预处理、模型定义、网络性能分析等。与其他方法相比，DL需要大量数据，而sEMG数据获取困难，因此通常会采用数据增强步骤从小数据集中创建合成数据。DL流程中最重要的部分是模型定义，主要使用CNNs和RNNs两种神经网络，可通过迁移学习方