CN105608432A - 一种基于瞬时肌电图像的手势识别方法 - Google Patents
一种基于瞬时肌电图像的手势识别方法 Download PDFInfo
- Publication number
- CN105608432A CN105608432A CN201510973702.2A CN201510973702A CN105608432A CN 105608432 A CN105608432 A CN 105608432A CN 201510973702 A CN201510973702 A CN 201510973702A CN 105608432 A CN105608432 A CN 105608432A
- Authority
- CN
- China
- Prior art keywords
- instantaneous
- electromyographic signal
- gesture
- myoelectricity
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于瞬时肌电信号的手势识别方法。在训练阶段,首先对阵列电极采集的瞬时肌电信号进行预处理,并将其按照电极位置排布成瞬时肌电图像;然后使用瞬时肌电图像及其对应的手势标签训练图像分类器,例如深度卷积神经网络,得到网络模型参数;在测试阶段,首先对阵列电极采集的待识别的瞬时肌电信号进行预处理,并将其按照电极位置排布成瞬时肌电图像;然后将训练好的模型参数带入到分类器中识别瞬时肌电信号对应的手势标签。本发明基于瞬时肌电图像和图像分类方法,可以快速准确地识别手势。国内外尚无文献使用瞬时肌电信号进行手势识别。
Description
技术领域
本发明属于计算机与生物信号相结合领域,具体为使用以深度卷积神经网络为代表的图像分类器,对从瞬时肌电信号提取出的瞬时肌电图像所对应的手势进行识别。
背景技术
随着计算机视觉、触摸交互、感知计算等新技术的迅猛发展,感知用户界面(perceptualuserinterface,PUI)成为了人机交互领域的研究重点之一。感知用户界面是一种人与人及人与现实世界之间的交互活动为原型的高度互动、多通道的用户界面,它的目标是使人机交互和人与现实世界的互动变得一致来达到直观、自然的交互境界。为了使计算机能够更好地判断和理解人类的交互意图,“生、机、电一体化”是未来人机交互发展的重要趋势之一,即通过特定的传感设备将生物体的认知或感知信号(如肌电信号)数字化,并与其他感知或认知通道的信号进行集成融合,自然、协同地完成各种人机交互任务。
以往研究通常使用机器学习方法进行基于肌电信号的手势识别,即给定一段肌电信号,使用训练好的分类器进行分类,得到手势标签;该分类器是使用预先采集的肌电信号训练得到的。长期以来的相关研究一般认为瞬时的肌电信号充满随机噪声,因而不适合直接用于识别手势。传统方法一般以一段长度大于等于150毫秒的肌电信号为单位,提取多种特征形成特征向量,再使用支持向量机等分类器对特征向量进行分类,从而识别出一段肌电信号对应的手势。
随着阵列肌电电极的出现,肌肉活动在皮肤表面形成的电势场在每个时刻的空间分布可以被记录下来。本发明使用阵列电极采集瞬时肌电信号,根据电极的空间排布将瞬时肌电信号转化为肌电图像,并使用图像分类器对肌电图像进行分类,从而识别瞬时肌电信号所表示的手势。肌电图像是上述电势场的一种空间采样,蕴含了肌肉活动在某一时刻的全局特征,可以快速(零观测时延)准确地识别手势。国内外尚无文献使用瞬时肌电信号进行手势识别。
深度卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元。该模型通常用于图像分类。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于瞬时肌电信号的手势识别方法。
本发明的目的是通过以下技术方案来实现的:一种基于瞬时肌电信号的手势识别方法,该方法包括以下步骤:
(1)通过阵列电极采集瞬时肌电信号;
(2)对阵列电极采集的瞬时肌电信号进行预处理,生成瞬时肌电图像,具体包含如下步骤:
(2.1)将±2.5mV区间的瞬时肌电信号线性变换到0到255区间内;
(2.2)将瞬时肌电信号按照电极的空间位置排布成瞬时肌电图像;
(3)训练瞬时肌电图像分类器,得到分类器的模型参数;
(4)使用步骤(3)中训练的瞬时肌电图像分类器识别手势,具体包含如下子步骤:
(4.1)对阵列电极采集的待识别的瞬时肌电信号进行步骤(2)中的预处理,得到待处理的瞬时肌电图像;
(4.2)将步骤(3)中训练得到的模型参数带入到瞬时肌电图像分类器中识别待处理的瞬时肌电图像对应的手势。
进一步地,步骤(2.2)中,将每个时刻的瞬时肌电信号值按照阵列电极的空间位置排布成矩阵,形成瞬时肌电图像;瞬时肌电图像是单通道的灰度图像,其高度和宽度分别与阵列电极的行数和列数相等。
进一步地,步骤(3)中采用卷积深度神经网络(DeepConvolutionalNetwork,ConvNets)作为瞬时肌电图像分类器,具体包含如下子步骤:
(3.1)使用彩色图像上预训练的VGGNet初始化用于从瞬时肌电图像中分类手势的网络模型;
(3.2)使用预先采集的多人的瞬时肌电信号经步骤(2)中的预处理,使用预处理得到的瞬时肌电图像及其对应的手势标签训练网络模型,得到网络模型参数。
进一步地,步骤(3.1)中,使用彩色的自然图像预训练用于分类动物、车辆等自然物体的16层的VGGNet,然后使用该网络的前4个卷积层初始化以瞬时肌电图像为输入的,用于分类手势的网络模型;其中第一个卷积层的初始化方法是:将预训练的VGGNet的第一层的RGB3个通道的权重矩阵求和,并将结果作为新的网络模型的第一层的权重矩阵。
本发明的有益效果是:在训练阶段,第一步,对阵列电极采集的瞬时肌电信号进行预处理,得到瞬时肌电图像;第二步,使用瞬时肌电图像及其对应的手势标签训练图像分类器,例如深度卷积神经网络,得到网络模型参数。在测试阶段,第一步,对阵列电极采集的待识别的瞬时肌电信号进行预处理,得到瞬时肌电图像;第二步,将训练好的网络模型参数带入到网络模型中识别每张瞬时肌电图像对应的手势。本发明基于瞬时肌电图像和图像分类方法,可以快速准确地识别手势。相较于传统方法,本发明在用户作出手势之后,能够以零观测时延快速地识别手势。
附图说明
图1为本发明所述方法流程图;
图2为本发明实验使用的包含8种手部姿态的手势集;
图3为本发明所使用的电极贴片示意图;
图4为本发明所使用的深度卷积神经网络结构。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示,本发明提供的一种基于瞬时肌电信号的手势识别方法,包括以下步骤:
(1)使用阵列电极采集瞬时肌电信号,以下给出一种采集瞬时肌电信号的优选实施例:
(1.1)被试坐姿,右臂水平向前伸直,掌心朝正左方。
(1.2)使用酒精清洁右前臂待贴电极的皮肤,待其晾干。
(1.3)按照图3贴电极(小圆点表示阵列电极),圆电极(参考电极)贴在手腕外侧正中间。
(1.4)连接采集设备,采集瞬时肌电信号。
(2)对阵列电极采集的瞬时肌电信号进行预处理,生成瞬时肌电图像,具体包含如下步骤:
(2.1)将±2.5mV区间肌电信号线性变换到0到255区间内;
(2.2)将每个时刻的瞬时肌电信号值按照阵列电极的空间位置排布成矩阵,形成瞬时肌电图像。瞬时肌电图像是单通道的灰度图像,其高度和宽度分别与阵列电极的行数和列数相等。
(3)训练瞬时肌电图像分类器,下面以卷积深度神经网络为例:
深度学习结构是一种含多隐层的多层感知器。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。本发明深度学习结构是从VGGNet网络结构上修改而来,这种修改使得VGGNet可以识别出瞬时肌电图像对应的手势,这种网络结构包含如下网络层:
a)卷积层(Conv):卷积神经网络中每层卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网络能从低级特征中迭代提取更复杂的特征。本发明使用3x3的卷积模板。
b)ReLU激活函数:ReLU会使一部分神经元的输出为0,从而使得网络更加稀疏,并且减少了参数的相互依存关系,降低了网络在训练过程中的过拟合。
c)全连接层(Fc):CNN模型中的全连接层为传统神经网络的隐层。最后一个全连接层,即输出层,与具体的分类任务相关,其输出维度等于待识别的手势数。
d)Dropout层:Dropout主要用来解决深度学习中因大量参数而导致的过拟合问题。其主要思想是:在训练过程中,随机扔掉一定比例的神经元(包括他们的连接),这样会阻止神经元间的过分的共适应。本发明的Dropout比例为0.5。
e)Softmax层:Softmax层是将softmax模型应用于最后训练结果进行回归操作的层。Softmax模型是逻辑回归模型在多分类问题(即待分类的类别数量大于2)上的推广。
具体网络结构如图4所示。其中Conv和Fc后的数字表示该层的输出维度。
该步骤具体包含如下子步骤:
(3.1)使用彩色的自然图像预训练用于分类动物、车辆等自然物体的16层的VGGNet网络,然后使用该网络的前4个卷积层初始化以灰度的肌电图像为输入的,用于分类手势的网络模型。其中第一个卷积层的初始化方法是:将预训练的VGGNet的第一层的RGB3个通道的权求和,并将结果作为新的网络模型的第一层的权重矩阵。
(3.2)使用预先采集的多人的瞬时肌电信号进行步骤(2)中的预处理,使用预处理得到瞬时肌电图像及其对应的手势标签训练网络模型,得到网络模型参数。
(4)使用步骤(3)中训练的瞬时肌电图像分类器识别手势,具体包含如下子步骤:
(4.1)对阵列电极采集的待识别的瞬时肌电信号进行步骤(2)中的预处理,得到瞬时肌电图像;
(4.2)将步骤(3)中训练得到的网络模型参数带入到网络模型中识别待处理的瞬时肌电图像对应的手势。
实施例
本发明基于瞬时肌电信号识别手势,根据图1,主要包含两个部分:离线训练部分和在线识别部分。
离线训练部分包括:
a.按照图3为测试人员贴电极。
b.采集图2中的8种手势。每种手势采集10次,每次持续发力3秒,连续两次发力之间休息7秒。
c.对阵列电极采集的瞬时肌电信号进行预处理,将±2.5mV区间肌电信号线性变换到0到255区间内。将每个时刻的瞬时肌电信号值按照阵列电极的空间位置排布成矩阵,形成瞬时肌电图像。
d.使用彩色的自然图像预训练用于分类动物、车辆等自然物体的16层的VGGNet网络,然后使用该网络的前4个卷积层初始化以灰度的瞬时肌电图像为输入的,用于分类手势的网络模型。将步骤c的瞬时肌电图像及其手势标签按照7:3的比例划分为训练集和验证集。使用训练集通过迭代优化训练该网络模型,并在验证集上测试,直到验证集上的准确率不再上升时停止迭代。
在线识别部分包括:
a.按照离线训练的步骤a贴电极。
b.采集瞬时肌电信号,按照离线训练的步骤c生成瞬时肌电图像序列。
c.使用训练好的网络模型识别每张瞬时肌电图像对应的手势。
d.(可选的)对最近150毫秒内的手势标签按照多数同意规则投票(MajorityVote),票数最高者作为该段肌电信号对应的手势,从而提高手势识别准确率。
Claims (4)
1.一种基于瞬时肌电信号的手势识别方法,其特征在于,包括以下步骤:
(1)通过阵列电极采集瞬时肌电信号;
(2)对阵列电极采集的瞬时肌电信号进行预处理,生成瞬时肌电图像,具体包含如下步骤:
(2.1)将±2.5mV区间的瞬时肌电信号线性变换到0到255区间内;
(2.2)将瞬时肌电信号按照电极的空间位置排布成瞬时肌电图像;
(3)训练瞬时肌电图像分类器,得到分类器的模型参数;
(4)使用步骤(3)中训练的瞬时肌电图像分类器识别手势,具体包含如下子步骤:
(4.1)对阵列电极采集的待识别的瞬时肌电信号进行步骤(2)中的预处理,得到待处理的瞬时肌电图像;
(4.2)将步骤(3)中训练得到的模型参数带入到瞬时肌电图像分类器中识别待处理的瞬时肌电图像对应的手势。
2.根据权利要求1所述的一种基于瞬时肌电信号的手势识别方法,其特征在于,步骤(2.2)中,将每个时刻的瞬时肌电信号值按照阵列电极的空间位置排布成矩阵,形成瞬时肌电图像;瞬时肌电图像是单通道的灰度图像,其高度和宽度分别与阵列电极的行数和列数相等。
3.根据权利要求1所述的一种基于瞬时肌电信号的手势识别方法,其特征在于,步骤(3)中采用卷积深度神经网络(DeepConvolutionalNetwork,ConvNets)作为瞬时肌电图像分类器,具体包含如下子步骤:
(3.1)使用彩色图像上预训练的VGGNet初始化用于从瞬时肌电图像中分类手势的网络模型;
(3.2)使用预先采集的多人的瞬时肌电信号经步骤(2)中的预处理,使用预处理得到的瞬时肌电图像及其对应的手势标签训练网络模型,得到网络模型参数。
4.根据权利要求3所述的一种基于瞬时肌电信号的手势识别方法,其特征在于,步骤(3.1)中,使用彩色的自然图像预训练用于分类动物、车辆等自然物体的16层的VGGNet,然后使用该网络的前4个卷积层初始化以瞬时肌电图像为输入的,用于分类手势的网络模型;其中第一个卷积层的初始化方法是:将预训练的VGGNet的第一层的RGB3个通道的权重矩阵求和,并将结果作为新的网络模型的第一层的权重矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510973702.2A CN105608432B (zh) | 2015-12-21 | 2015-12-21 | 一种基于瞬时肌电图像的手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510973702.2A CN105608432B (zh) | 2015-12-21 | 2015-12-21 | 一种基于瞬时肌电图像的手势识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608432A true CN105608432A (zh) | 2016-05-25 |
CN105608432B CN105608432B (zh) | 2019-02-22 |
Family
ID=55988358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510973702.2A Active CN105608432B (zh) | 2015-12-21 | 2015-12-21 | 一种基于瞬时肌电图像的手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608432B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228116A (zh) * | 2016-07-13 | 2016-12-14 | 华东理工大学 | 一种基于电流瞬时非线性指标的磨削颤振识别方法 |
CN106236336A (zh) * | 2016-08-15 | 2016-12-21 | 中国科学院重庆绿色智能技术研究院 | 一种肌电假肢手势及力度控制方法 |
CN106293057A (zh) * | 2016-07-20 | 2017-01-04 | 西安中科比奇创新科技有限责任公司 | 基于bp神经网络的手势识别方法 |
CN106980367A (zh) * | 2017-02-27 | 2017-07-25 | 浙江工业大学 | 一种基于肌电地形图的手势识别方法 |
CN107480697A (zh) * | 2017-07-12 | 2017-12-15 | 中国科学院计算技术研究所 | 一种肌电手势识别方法和*** |
CN107657233A (zh) * | 2017-09-28 | 2018-02-02 | 东华大学 | 基于改进型单次多目标检测器的静态手语实时识别方法 |
CN107885324A (zh) * | 2017-09-28 | 2018-04-06 | 江南大学 | 一种基于卷积神经网络的人机交互方法 |
CN108345873A (zh) * | 2018-03-22 | 2018-07-31 | 哈尔滨工业大学 | 一种基于多层卷积神经网络的多自由度人体运动信息解析方法 |
CN108453736A (zh) * | 2018-03-22 | 2018-08-28 | 哈尔滨工业大学 | 一种基于深度学习的多自由度同步肌电控制方法 |
CN108491077A (zh) * | 2018-03-19 | 2018-09-04 | 浙江大学 | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 |
CN109662710A (zh) * | 2018-12-06 | 2019-04-23 | 杭州电子科技大学 | 一种基于卷积神经网络的肌电信号特征提取方法 |
CN110333783A (zh) * | 2019-07-10 | 2019-10-15 | 中国科学技术大学 | 一种用于鲁棒肌电控制的无关手势处理方法及*** |
CN111103976A (zh) * | 2019-12-05 | 2020-05-05 | 深圳职业技术学院 | 手势识别方法、装置及电子设备 |
CN111898526A (zh) * | 2020-07-29 | 2020-11-06 | 南京邮电大学 | 基于多流卷积神经网络的肌电手势识别方法 |
WO2022027822A1 (zh) * | 2020-08-03 | 2022-02-10 | 南京邮电大学 | 一种基于肌电信号的智能手势动作生成方法 |
CN114515146A (zh) * | 2020-11-17 | 2022-05-20 | 北京机械设备研究所 | 基于电学测量的智能手势识别方法及*** |
US11705748B2 (en) | 2018-02-28 | 2023-07-18 | Russell Wade Chan | Wearable gesture recognition device for medical screening and associated operation method and system |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101371804A (zh) * | 2008-07-16 | 2009-02-25 | 哈尔滨工业大学 | 基于sEMG建立的人手姿态模式在线识别方法 |
US20130232095A1 (en) * | 2008-06-26 | 2013-09-05 | Microsoft Corporation | Recognizing finger gestures from forearm emg signals |
-
2015
- 2015-12-21 CN CN201510973702.2A patent/CN105608432B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130232095A1 (en) * | 2008-06-26 | 2013-09-05 | Microsoft Corporation | Recognizing finger gestures from forearm emg signals |
CN101371804A (zh) * | 2008-07-16 | 2009-02-25 | 哈尔滨工业大学 | 基于sEMG建立的人手姿态模式在线识别方法 |
Non-Patent Citations (3)
Title |
---|
CHRISTOPH AMMA 等: "Advancing Muscle-Computer Interfaces with High-Density Electromyography", 《ACM CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS》 * |
MONICA ROJAS-MARTÍNEZ 等: "High-density surface EMG maps from upper-arm and forearm muscles", 《JOURNAL OF NEUROENGINEERING AND REHABILITATION》 * |
朱明星 等: "基于高密度肌电电势图的正常吞咽过程可视化研究", 《集成技术》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228116A (zh) * | 2016-07-13 | 2016-12-14 | 华东理工大学 | 一种基于电流瞬时非线性指标的磨削颤振识别方法 |
CN106293057A (zh) * | 2016-07-20 | 2017-01-04 | 西安中科比奇创新科技有限责任公司 | 基于bp神经网络的手势识别方法 |
CN106236336A (zh) * | 2016-08-15 | 2016-12-21 | 中国科学院重庆绿色智能技术研究院 | 一种肌电假肢手势及力度控制方法 |
CN106980367A (zh) * | 2017-02-27 | 2017-07-25 | 浙江工业大学 | 一种基于肌电地形图的手势识别方法 |
CN106980367B (zh) * | 2017-02-27 | 2020-08-18 | 浙江工业大学 | 一种基于肌电地形图的手势识别方法 |
CN107480697B (zh) * | 2017-07-12 | 2020-04-03 | 中国科学院计算技术研究所 | 一种肌电手势识别方法和*** |
CN107480697A (zh) * | 2017-07-12 | 2017-12-15 | 中国科学院计算技术研究所 | 一种肌电手势识别方法和*** |
CN107885324A (zh) * | 2017-09-28 | 2018-04-06 | 江南大学 | 一种基于卷积神经网络的人机交互方法 |
CN107657233A (zh) * | 2017-09-28 | 2018-02-02 | 东华大学 | 基于改进型单次多目标检测器的静态手语实时识别方法 |
CN107885324B (zh) * | 2017-09-28 | 2020-07-28 | 江南大学 | 一种基于卷积神经网络的人机交互方法 |
US11705748B2 (en) | 2018-02-28 | 2023-07-18 | Russell Wade Chan | Wearable gesture recognition device for medical screening and associated operation method and system |
CN108491077B (zh) * | 2018-03-19 | 2020-06-16 | 浙江大学 | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 |
CN108491077A (zh) * | 2018-03-19 | 2018-09-04 | 浙江大学 | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 |
CN108345873A (zh) * | 2018-03-22 | 2018-07-31 | 哈尔滨工业大学 | 一种基于多层卷积神经网络的多自由度人体运动信息解析方法 |
CN108453736A (zh) * | 2018-03-22 | 2018-08-28 | 哈尔滨工业大学 | 一种基于深度学习的多自由度同步肌电控制方法 |
CN109662710A (zh) * | 2018-12-06 | 2019-04-23 | 杭州电子科技大学 | 一种基于卷积神经网络的肌电信号特征提取方法 |
CN110333783A (zh) * | 2019-07-10 | 2019-10-15 | 中国科学技术大学 | 一种用于鲁棒肌电控制的无关手势处理方法及*** |
CN111103976A (zh) * | 2019-12-05 | 2020-05-05 | 深圳职业技术学院 | 手势识别方法、装置及电子设备 |
CN111103976B (zh) * | 2019-12-05 | 2023-05-02 | 深圳职业技术学院 | 手势识别方法、装置及电子设备 |
CN111898526A (zh) * | 2020-07-29 | 2020-11-06 | 南京邮电大学 | 基于多流卷积神经网络的肌电手势识别方法 |
CN111898526B (zh) * | 2020-07-29 | 2022-07-22 | 南京邮电大学 | 基于多流卷积神经网络的肌电手势识别方法 |
WO2022027822A1 (zh) * | 2020-08-03 | 2022-02-10 | 南京邮电大学 | 一种基于肌电信号的智能手势动作生成方法 |
CN114515146A (zh) * | 2020-11-17 | 2022-05-20 | 北京机械设备研究所 | 基于电学测量的智能手势识别方法及*** |
CN114515146B (zh) * | 2020-11-17 | 2024-03-22 | 北京机械设备研究所 | 基于电学测量的智能手势识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105608432B (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608432A (zh) | 一种基于瞬时肌电图像的手势识别方法 | |
CN105654037B (zh) | 一种基于深度学习和特征图像的肌电信号手势识别方法 | |
Sun et al. | Retracted: Gesture recognition algorithm based on multi‐scale feature fusion in RGB‐D images | |
CN108491077B (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
Mane et al. | Hand motion recognition from single channel surface EMG using wavelet & artificial neural network | |
CN106982359B (zh) | 一种双目视频监控方法、***和计算机可读存储介质 | |
Cecotti et al. | Convolutional neural network with embedded Fourier transform for EEG classification | |
CN105740823B (zh) | 基于深度卷积神经网络的动态手势轨迹识别方法 | |
CN106980367A (zh) | 一种基于肌电地形图的手势识别方法 | |
CN106909220A (zh) | 一种适用于触控的视线交互方法 | |
CN106293057A (zh) | 基于bp神经网络的手势识别方法 | |
CN107316015A (zh) | 一种基于深度时空特征的高精度面部表情识别方法 | |
CN105739688A (zh) | 一种基于情感体系的人机交互方法、装置和交互*** | |
CN106372622A (zh) | 一种人脸表情分类方法及装置 | |
CN109664300A (zh) | 一种基于力觉学习的机器人多风格书法临摹方法 | |
CN111553307A (zh) | 一种融合生物电阻抗信息和肌电信息的手势识别*** | |
CN104517122A (zh) | 一种基于优化卷积架构的图像目标识别方法 | |
CN103426438A (zh) | 婴儿哭声分析方法及*** | |
CN109214395A (zh) | 一种基于脉冲神经网络的图像特征描述方法 | |
Oweis et al. | ANN-based EMG classification for myoelectric control | |
CN104274191A (zh) | 一种心理测评方法及其*** | |
CN106980830A (zh) | 一种基于深度卷积网络自亲缘关系识别方法与装置 | |
Guo et al. | Research on optimization of static gesture recognition based on convolution neural network | |
CN107233104A (zh) | 认知分心测评方法和*** | |
CN109662710A (zh) | 一种基于卷积神经网络的肌电信号特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |