文档名：基于标签几何化与特征融合的sEMG手势分割分类
摘要：表面肌电信号(SurfaceElectromyogram,sEMG)目前广泛应用于人机接口,近年来的研究主要集中于手势分类,缺少信号流分割的处理.使用NinaProDB1数据集,提出一种基于深度学习的分割算法,首先利用滑动窗以时间顺序提取数据,并将手势状态进行几何形式标签化,通过带有注意力机制的长短期记忆网络(longshort-termmemory,LSTM)进行训练后,最终通过希尔伯特包络线求解法得到结果标签.结果显示,所提方法达到93.11％的准确率,高于目前常用的阈值分割法.在此基础上还进行了使用时域、频域特征进行手势分类的探索,利用LSTM使用9个时域特征、7个频域特征进行分类,结果显示,时域特征的分类效果更好,达到78.97％,而融合频域特征可以进一步提升分类效果,达到81.26％,此结果在近年来的相关研究中有一定的优势.
作者：周丙涛 朱黎 向勉Author：ZHOUBingtao ZHULi XIANGMian
作者单位：湖北民族大学智能科学与工程学院,湖北恩施445000
刊名：传感技术学报 ISTICPKU
Journal：ChineseJournalofSensorsandActuators
年，卷(期)：2023, 36(10)
分类号：TH823TP391.4
关键词：信号与信息处理 表面肌电信号处理 分割 时域 频域
Keywords：sEMG segmentation gestureclassification timedomain frequencydomain
机标分类号：TP391.41TN911.73TP183
在线出版日期：2023年12月12日
基金项目：国家自然科学基金，湖北省教育厅科学技术研究计划青年人才项目基于标签几何化与特征融合的sEMG手势分割分类[
期刊论文] 传感技术学报--2023, 36(10)周丙涛 朱黎 向勉表面肌电信号(SurfaceElectromyogram,sEMG)目前广泛应用于人机接口,近年来的研究主要集中于手势分类,缺少信号流分割的处理.使用NinaProDB1数据集,提出一种基于深度学习的分割算法,首先利用滑动窗以时间顺序提取数据...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于标签几何化与特征融合的sEMG手势分割分类 Research on sEMG Gesture Segmentation and Classification Algorithm Based on Geometrical Label and Feature Fusion
基于标签几何化与特征融合的sEMG手势分割分类.pdf
- 文件大小:
- 3.54 MB
- 下载次数:
- 60
-
高速下载
|
|
