多源域迁移学习的肌电-惯性特征融合及手势识别

作     者：谢平 赵连洋 张艺滢 徐猛 江国乾 陈杰 Xie Ping;Zhao Lianyang;Zhang Yiying;Xu Meng;Jiang Guoqian;Chen Jie

作者机构：燕山大学电气工程学院秦皇岛066000 河北省智能康复及神经调控重点实验室秦皇岛066000 北京理工大学设计与艺术学院北京100081 燕山大学体育学院秦皇岛066000 

出 版 物：《电子测量与仪器学报》 (Journal of Electronic Measurement and Instrumentation)

年 卷 期：2024年第38卷第7期

页      面：187-195页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 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(62076216) 河北省高等学校人文社会科学研究项目(SQ2021010) 教育部人文社科青年基金项目(21YJC890001) 河北省自然科学基金委员会重点项目(F2022203079) 河北省创新能力提升计划项目(22567619H)资助 

主　　题：肌电-惯性信号 跨用户手势识别 多源域迁移学习 长短时记忆网络 特征对齐 

摘      要：在跨用户手势识别研究中,针对单源域迁移学习存在的负迁移和模型泛化性能差的问题,本研究创新性地提出了一种基于肌电-惯性特征融合的多源域迁移学习策略,关键创新点在于整合多个源域的数据,并在此基础上采用域特有特征对齐与域分类器对齐的技术手段。这一方法旨在强化模型在不同用户间的手势识别性能,进而显著提升跨用户手势识别系统的准确性。首先,引入长短时记忆(long short-term memory, LSTM)网络模型,提取肌电-惯性信息的平均绝对值、方差、峰值等时序特征;其次进行域特有特征对齐与域分类器对齐,利用多个源域数据完成对目标域的特征提取;最后融合分类损失、域特有特征差异损失和域分类器差异损失3个损失函数,协同优化整体损失。实验结果表明,所提方法与单源域、源域组合等多种传统方法相比,识别平均率有所提高,在NinaPro DB5数据集上,目标用户的手势识别平均准确率达到80%以上。