模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2020, Vol. 33 Issue (7): 588-599    DOI: 10.16451/j.cnki.issn1003-6059.202007002
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于时序二维化和卷积特征融合的表面肌电信号分类方法
骆俊锦1, 王万良1, 王铮1, 刘洪海2
1.浙江工业大学 计算机科学与技术学院 杭州 310014
2.Intelligent Systems and Biomedical Robotics Group, School of Computing, University of Portsmouth, UK PO1 3AH
Surface Electromyography Classification Method Based on Temporal Two-Dimensionalization and Convolution Feature Fusion
LUO Junjin1, WANG Wanliang1, WANG Zheng1, LIU Honghai2
1. College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310014
2. Intelligent Systems and Biomedical Robotics Group, School of Computing, University of Portsmouth, UK PO1 3AH

全文: PDF (1186 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 针对传统模式识别方法在表面肌电信号(sEMG)分类时容易忽略非线性、时序性等特征的问题,文中提出基于时序二维化和卷积特征融合的分类方法.通过格拉姆角场转换实现时序二维化,保留sEMG原始时间序列的时间依赖性和相关性.为了在突出局部信息的同时充分保留细节信息,引入胶囊网络与卷积神经网络共同提取特征,并进行特征融合,实现不同条件下的手势识别.对比多种分类方法的实验表明,文中方法可以有效增强电极偏移情况和面向新对象时手部动作的整体识别水平,具有较强的鲁棒性.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
骆俊锦
王万良
王铮
刘洪海
关键词 表面肌电信号(sEMG)格拉姆角场(GAF)胶囊网络特征融合手势识别    
Abstract:The traditional pattern recognition methods are prone to ignore characteristics of non-linearity and timing in the classification of surface electromyography(sEMG). Aiming at this problem, a sEMG signal classification method based on temporal two-dimensionalization and convolution feature fusion is proposed. Temporal two-dimensionalization is realized by Gramian angular field conversion to preserve the time dependence and correlation of original time series of sEMG. To highlight the local information and fully retain details simultaneously, a capsule network and a convolutional neural network are introduced to extract features together. In addition, the feature fusion is performed to realize the gesture recognition under different conditions. Experimental results show that the proposed method is more robust than other classification methods and it effectively enhances the electrode offset and the overall recognition level of hand movements facing new objects.
Key wordsSurface Electromyography(sEMG)    Gramian Angular Field(GAF)    Capsule Network    Feature Fusion    Gesture Recognition   
收稿日期: 2020-04-09     
ZTFLH: TP 391  
基金资助:国家自然科学基金项目(No.61873240)资助
通讯作者: 王万良,博士,教授,主要研究方向为深度学习、人工智能、大数据.E-mail:wwl@zjut.edu.cn.   
作者简介: 骆俊锦,硕士研究生,主要研究方向为模式识别、深度学习.E-mail:lluojunjin@163.com.王 铮,博士研究生,主要研究方向为智能计算、智能系统.E-mail:zjut_wz@126.com.刘洪海,博士,教授,主要研究方向为人工智能、人机交互、机器人学.E-mail:honghai.liu@sjtu.edu.cn.
引用本文:   
骆俊锦, 王万良, 王铮, 刘洪海. 基于时序二维化和卷积特征融合的表面肌电信号分类方法[J]. 模式识别与人工智能, 2020, 33(7): 588-599. LUO Junjin, WANG Wanliang, WANG Zheng, LIU Honghai. Surface Electromyography Classification Method Based on Temporal Two-Dimensionalization and Convolution Feature Fusion. , 2020, 33(7): 588-599.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202007002      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2020/V33/I7/588
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn