融合多元经验模态分解与Hilbert空间填充曲线的sEMG处理方法

扫码查看

原文链接

万方数据
维普

中文摘要：基于卷积神经网络(convolutional neural network,CNN)的表面肌电信号(surface electromyg-raphy,sEMG)手势识别算法通常将一维sEMG转换成二维肌电图作为CNN的输入.针对sEMG瞬时样本量偏少、以及一维sEMG转换成二维肌电图时带来的局部时序特征丢失等问题,提出了将多元经验模态分解(multivariate empirical mode decomposition,MEMD)算法与 Hilbert 空间填充曲线相结合的方法,以提升手势识别算法的准确率.采用开源数据集NinaPro-DBl作为实验数据集;通过MEMD算法对sEMG进行分解;将分解后的本征模态函数(intrinsic mode functions,IMFs)作为Hilbert曲线的填充域(Hilb-IMFs)映射成二维肌电图;选择DenseNet作为手势识别的基本网络.实验结果表明,提出的方法相对于传统信号升维方法在手势识别准确率上约有4％的性能提升,验证了该方法的有效性.

外文标题：sEMG processing method fusing multivariate empirical mode decomposition and Hilbert space-filling curves

外文关键词：

surface electromyography(sEMG)multivariate empirical mode decomposition(MEMD)Hilbert space-filling curveconvolutional neural network(CNN)

作者：

刘聪、马钰同、许婷婷、胡胜、孔祥斌

展开 >

作者单位：

湖北工业大学电气与电子工程学院,湖北武汉 430068

太阳能高效利用湖北省协同创新中心,湖北武汉 430068

武汉华安科技股份有限公司博士后科研工作站,湖北武汉 430068

关键词：

表面肌电信号(sEMG) 多元经验模态分解(MEMD) Hilbert空间填充曲线卷积神经网络(CNN)

基金：

国家自然科学基金

项目编号：

61901165

出版年：

2023

DOI：

10.16136/j.joel.2023.07.0334

光电子·激光

天津理工大学中国光学学会

光电子·激光

CSCD北大核心

影响因子：1.437

ISSN：1005-0086

年,卷(期)：2023.34(7)

参考文献量1