买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：基于轻量级卷积神经网络的肌电手势识别方法，提取传统方法中广泛使用的时域特征，与原始肌电数据进行了结合，多角度地表征了肌电信号，可以在一定程度上提高手势识别的准确率；通过标签平滑、LeakyRelu激活函数的替换等一系列操作，提高了网络的泛化能力、拟合能力，可以进一步提高手势识别的精度；以轻量级网络为基础，使用深度可分离卷积代替传统的卷积，在不降低识别精度的同时，可以减少参数量、计算量，缩短训练时间，更加适合移动设备等应用场景；借鉴跨阶段局部网络的思想，采用局部过渡层，设计简化的融合策略，改进了骨干网络模型，可以实现进一步的轻量化。

主权项：1.基于轻量级卷积神经网络的肌电手势识别方法，其特征在于：所述方法包括如下分步骤：步骤1，数据预处理：步骤1-1，对原始的肌电数据进行去噪处理，以去除信号中包括基线漂移、电极位移、运动伪迹、工频干扰在内的各种噪声，再使用滑动窗口对数据进行采样，并将处理后的数据进行格式转换；步骤1-2，选择5种时域特征进行提取，包括平均绝对值MAV、均方根RMS、信号斜率正负值变化次数SSC、过零点次数ZC、波形长度WL，以多角度地表征表面肌电信号，并与原始数据进行结合；步骤1-3，引入标签平滑LS方法防止过拟合；步骤2，基于轻量级CNN的肌电手势特征提取：搭建基于轻量级卷积神经网络CNN的肌电手势特征提取模型部分，包括依次设置的输入端，传统卷积层、深度可分离卷积层、2个CspBlock、全局池化层、传统卷积层、分类器以及输出端；2个CspBlock由Csp-1Block和Csp-2Block组成；模型的激活函数采用LeakyRelu函数；Csp-1Block进行跨阶段运算处理；首先，将经过深度可分离卷积运算后得到的输出作为输入，将其分为两部分，包括Part1和Part2，每部分的卷积核个数均为原始输入的一半；其中，Part1单独进行深度可分离卷积运算，而后再进行普通卷积作为局部过渡处理，使梯度组合的差异最大化，防止不同层学习重复的梯度信息；Part2则不再进行任何额外的运算处理；最后，将Part1和Part2通过Concatenate拼接操作进行合并；Csp-2Block，将经过深度可分离卷积运算后得到的输出作为输入，将输入的数据作为Part1，对Part1进行普通卷积得到Part2，然后将Part1和Part2通过Concatenate拼接进行合并，得到输出；步骤3，手势分类：搭建基于轻量级卷积神经网络CNN的肌电手势分类模型部分，与建立的特征提取模型部分连接，其包括依次设置的全局池化层、Dropout层、传统卷积层、分类器以及输出端；操作时，首先进行全局平均池化GAP，并通过Dropout随机失活操作，使部分神经元失活，再进行1×1卷积，并用Softmax分类器将结果映射到0,1之间的实数上，进行最终的多分类任务，得到每个手势类别各自的可能性，其中，最大概率的类别即会作为该手势的最终预测结果。

全文数据：

权利要求：

百度查询： 南京邮电大学 基于轻量级卷积神经网络的肌电手势识别方法