吴雨浩王从庆

(南京航空航天大学 自动化学院,南京 210016)

0 引 言

近年来,利用sEMG(Surface Electromyography)信号对手势进行识别是康复手机器人研究的一个重要方向,目前针对基于sEMG信号的手势识别的研究,国内外提出了多种方法。Doerschuk等[1]提出了一种多元自回归模型方法,首次证实了sEMG信号在手势识别中的作用。蔡立羽等[2]提出了一种基于小波变换的方法对4种手势进行分类研究,准确率在90%。Wang等[3]提出了一种基于线性判别分析的方法对手势进行分类,准确率达到92%。席旭刚等[4]提出了一种改进的快速独立成分分析方法,准确率为90%。宋佳强等[5]通过基于组合能量特征的手势识别算法对8种手势进行识别分类,准确率达97.5%。周旭峰等[6]通过基于组合RNN(Recurrent Neural Networks)网络的手势识别方法对10种手势进行手势分类,准确率达90.78%。刘威等[7]通过对5种手势的sEMG信号提取32个不同的时频特征,进行特征组合,构建特征图,利用卷积神经网络进行手势识别,准确率达98.1%。李自由等[8]针对MYO手环旋转位置不同导致识别精度降低等问题,提出了一种基于MYO旋转偏移估计与自适应校正方法,对8种手势进行识别,准确率达78.37%。吴常铖等[9]针对手势识别准确率受肌电传感器位置的影响,提出了一种基于ANOVA(Analysis of Variance)和BP(Back Propagation)神经网络的方法,对6种手势进行识别,准确率达94.6%。

深度学习作为一种端到端的学习方法,已有较长的历史。1998年,Lécun等[10]提出了LeNet-5网络结构,在Mnist手写数字数据集上识别精度达到99.7%。2012年,AlexNet网络在ImageNet竞赛中取得冠军[11]。随后,人们提出更多的深度学习神经网络结构。……