采用迁移学习的表面肌电信号手势识别方法

作     者：胡学政 陶庆 赵暮超 刘景轩 马金旭 HU Xue-zheng;TAO Qing;ZHAO Mu-chao;LIU Jing-xuan;MA Jin-xu

作者机构：新疆大学机械工程学院乌鲁木齐830017 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2024年第24卷第12期

页      面：5044-5050页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(51865056) 自治区区域协同创新专项(科技援疆计划)项目(2020E0259) 

主　　题：表面肌电信号 迁移学习 活动段提取 流形嵌入分布对齐 手势识别 

摘      要：为解决采用表面肌电信号(surface electromyography,sEMG)进行手势识别时电极贴片位移、受试者动作变化等复杂情况下分类识别准确率下降这一问题,提出一种基于表面肌电信号与迁移学习的手势分类模型。首先对4通道表面肌电信号进行活动段提取与降噪处理,然后提取活动段信号的4种时域特征与2种频域特征。采用流形嵌入分布对齐(manifold embedded distribution alignment,MEDA)方法将源领域和目标领域的特征矩阵嵌入到格拉斯曼流形中进行流形特征学习,减小两域之间的数据差异,消除特征退化;同时根据自适应因子执行动态分布对齐,动态调整数据不同分布差异下边缘分布和条件分布的相对重要性。对多名受试者开展实验以验证所提方法的合理性,实验结果表明:所提方法与决策树(decision tree,DT)、支持向量机(support vector machine,SVM)、k临近(k-nearest neighbor,KNN)3种传统机器学习方法相比,识别准确率分别提高了13%、21%、9%。与未执行流形学习与动态分布对齐的联合分布适配(joint distribution adaptation,JDA)迁移学习方法相比,识别准确率提高了52%,达到93%,证明所提方法对于复杂情况下的手势分类具有优良的效果。