申请/专利权人：中国科学技术大学

申请日：2022-02-28

公开（公告）日：2024-04-02

公开（公告）号：CN114550304B

主分类号：G06V40/20

分类号：G06V40/20;G06F18/24;G06F18/213;G06F18/214;G06N3/0464;A61B5/00;A61B5/397

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.06.14#实质审查的生效;2022.05.27#公开

摘要：本发明公开了一种用于鲁棒肌电控制的跨用户手势识别方法，其步骤包括：1、采集表面肌电信号并提取特征构建源域数据集。2、构建一个学生教师深度网络模型。3、利用源域数据集训练学生模型并得到网络参数，将其通过指数移动平均得到教师模型参数。4、采集新用户肌电信号并提取特征构建目标域数据。通过上述学生模型和教师模型分别进行分类和生成伪标签。5、通过最优传输算法优化教师模型生成的伪标签。6、利用学生模型将新输入的目标域数据连续给出分类结果并进行参数更新，随后更新教师模型。7、对后续新用户，执行步骤4。本发明能实现源域到目标域的模型迁移，从而实现高精度的跨用户手势识别。

主权项：1.一种用于鲁棒肌电控制的跨用户手势识别方法，其特征包括：步骤一：利用肌电测量设备和电极在前臂肌肉处采集d个用户执行K种手势动作的表面肌电信号数据并进行分窗处理后提取特征，从而得到N个肌电信号特征样本，并构建有标签的源域数据集，记为其中，表示第i个肌电信号特征样本，表示第i个肌电信号特征样本的标签，且属于{1,2,…c,…,K}，c表示标签的任意一个类别；K表示标签的类别数；步骤二：构建一个基于域适应的教师学生深度网络模型，包括：教师模型和学生模型；所述教师模型和学生模型的网络结构相同，均包含若干个卷积模块、一个最大池化层和一个Flatten层以及一个全连接层；每个卷积模块是由一层卷积conv层、一层批归一化层和一层Relu非线性激活层组成；步骤三：利用带标签的源域数据集Dv训练学生模型：将源域数据集Dv按批尺寸B分批，其中任意一批处理数据记为其中，表示一批处理数据中第j个肌电信号特征样本，表示第j个肌电信号特征样本的标签；将一批处理数据堆叠在一起得到堆叠数据Xv送入所述学生模型中，并依次经过第一个卷积模块、最大池化层、第二个和第三个卷积层以及Flatten层后得到分类特征，最后将所述分类特征输入所述全连接层中得到类别得分Pv∈RB×K；在前向传播时利用式1计算所述学生模型的交叉熵损失LB，在后向传播时利用式2更新所述学生模型的参数，同时利用式3更新所述教师模型在第t次迭代时的参数直到所述学生模型在tmax次迭代时收敛为止，从而得到训练好的学生模型网络及其对应的最优参数 式1中，表示一批处理数据中第j个肌电信号特征样本的标签为类别c的标签值，表示所述学生模型输出第j个肌电信号特征样本的标签为类别c的概率值； 式2中，表示第t次迭代时学生模型的参数，η为学习率；表示第t-1次迭代时学生模型的参数；当t＝1，令θ0是通过He-uniform函数根据特征维度初始化得到的值； 式3中，γ为超参数；表示所述教师模型在第t-1次迭代时的参数；当tmax＝1，令步骤四：当存在第d+1个用户时，利用肌电测量设备和电极采集第d+1个用户执行K种手势动作中任意一种手势动作时的肌电信号并进行特征提取，从而构建无标签的目标域数据Du；按批尺寸B将所述无标签的目标域数据Du进行分批处理，将一批无标签数据分别送入所述学生模型和所述教师模型中进行处理，并由所述训练后的学生模型输出一批无标签数据的类别预测概率并更新当前学生模型的参数，将所述类别分数预测概率通过argmax函数从而得到一批无标签数据的分类结果；由参数更新后的教师模型输出一批无标签数据的类别分数，所述类别分数再经过softmax层的处理后得到归一化的类别分数Pu；步骤五：利用式4构建最大化目标函数的约束，并得到优化后的类别分数Q，再利用argmax函数对优化后的类别分数Q进行处理，从而得到一批无标签数据的伪标签： 式4中，HQ为熵正则化项，λ是控制因子；Tr为迹运算，QT为Q的转置；步骤六：将所述无标签的目标域数据Du的新一批无标签数据分别送入当前学生模型和当前教师模型中进行处理，其中，当前学生模型和当前教师模型参数是通过上一批数据更新后得到的，通过当前教师模型输出所述新一批无标签数据的伪标签，用于监督当前学生模型在所述新一批无标签数据上的分类结果，从而更新当前学生模型的参数，同时按照式3同步更新当前教师模型的参数；步骤七：当存在d+r个用户时，返回步骤四顺序执行，r为大于1的整数。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种用于鲁棒肌电控制的跨用户手势识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD