摘要
基于表面肌电信号的手势识别是人机交互领域中应用广泛的技术之一，被广泛应用于医疗康复、假肢控制以及虚拟现实等领域。国内外的肌电信号手势识别研究表明基于深度学习的表面肌电信号手势识别性能优于传统的机器学习，传统的机器学习常常受限于人工特征提取和分类器的选择，而深度学习由于其具备从大量数据样本中自动提取具有代表性特征的能力，可以提高表面肌电信号手势识别的准确率和模型的泛化能力。因此基于深度学习的表面肌电信号手势识别受到了学者们广泛的关注，但其仍存在以下问题。 首先，研究表明不同手势和不同前臂肌群之间存在着较强的关联性，但这往往被基于深度学习的表面肌电信号手势识别方法所忽略；其次，基于深度学习的手势识别在高密度表面肌电信号中具有较高的性能，但在稀疏多通道表面肌电信号中性能不佳；最后，个体差异会导致用户的表面肌电信号数据分布不同，从而造成当前个体获得的网络模型无法有效推广到新用户的手势识别中。为了解决上述问题，本文结合深度学习框架下的多流融合网络和领域自适应技术对表面肌电信号手势识别进行探索和尝试。本文的主要内容如下： （1）基于前臂肌群和手势之间的关联性，提出了一种基于多流融合网络和SVM的混合网络模型。首先对表面肌电信号进行滤波和VMD分解，并构建三维肌电图像，其次，对构建的肌电图像进行多流表征，将肌电子图像输入到多流融合网络提取肌群关联特征和时序特征，最后将特征融合作为SVM的输入特征进行手势分类。在NinaProDB1数据集中对52种手势动作进行分类，平均手势识别准确率达到了94.24%。同时在实测数据中平均手势识别准确率达到了96.80%，验证了提出的混合网络模型的可行性和优越性。 （2）将个体差异导致的训练集和测试集表面肌电信号数据分布不同视为一个领域自适应问题，提出了基于AdaBN的混合网络模型。应用AdaBN领域自适应算法改进混合网络模型，通过新用户的少量肌电数据对模型进行调整。在NinaProDB1数据集中进行了3分类、4分类、5分类和12分类四组评估验证，用户无关的平均手势识别准确率分别达到了94.76%、94.61%、89.62%和78.21%。同时在实测数据的验证结果表明该方法能够显著提升基于用户无关的手势识别准确率。最后利用树莓派和五指灵巧手搭建了基于手势识别的五指灵巧手控制系统进行人机交互验证，并且利用软投票机制进一步提高了人机交互的准确率。
NETL