37、基于表面肌电信号的深度学习手势识别

基于表面肌电信号的深度学习手势识别

1. 网络架构

1.1 卷积神经网络架构

在某些卷积神经网络模型中，特征图以逐元素求和的方式拼接，随后是一个包含 24 个 3×3 滤波器的卷积块。接着，在最终的 softmax 激活函数之前，有三个全连接层，其单元数分别为 100、100 和 #G。此模型还采用了迁移学习技术，利用预训练阶段学到的信息。

1.2 循环神经网络架构

1.2.1 循环神经网络概述

循环神经网络（RNN）因在处理序列数据相关问题上的成功应用而受到广泛关注。与前馈网络不同，RNN 具有记忆特性，适合处理值序列。

1.2.2 长短期记忆网络（LSTM）

LSTM 是一种特殊的 RNN，属于门控 RNN 类别。它使用门（一个 sigmoid 激活函数后接逐点乘法）来创建时间路径，其导数既不会消失也不会爆炸。LSTM 单元包含三个门控单元（遗忘门 $f_t$、输入门 $i_t$ 和输出门 $o_t$），用于控制信息的流动：
- 遗忘门 $f_t$：决定保留多少上一单元状态 $C_{t - 1}$ 的信息。
- 输入门 $i_t$：确定要存储到单元状态 $C_t$ 中的新信息 $\tilde{C}_t$ 的量。
- 输出门 $o_t$：决定单元状态的哪一部分将通过输出 $h_t$。

虽然表面肌电（sEMG）信号的时间特性表明 LSTM 网络应该能够将 sEMG 值序列映射到手势标签，但目前相关文献中很少有利用这些特性的方法。可能的原因是循环网络相比 CNN 模型需要更高的内存带宽，并且最近的研究表明考虑时间信息的卷积网络在许多任务中