-
公开(公告)号：CN110598676B
公开(公告)日：2022-08-02
申请号：CN201910912473.1
申请日：2019-09-25
Applicant: 南京邮电大学
Abstract: 基于置信度得分模型的深度学习手势肌电信号识别方法，包含以下步骤：采集的肌电原始数据并进行预处理；预处理之后使用标签分别标注类别，然后每一个类别通过滑动窗口分割为多段数据；将数据划分为训练与测试数据，将训练与测试数据分别随机排序；对所有数据进行归一化操作；使用离散傅里叶变换转换为频谱数据，依据频谱计算出每个频率的能量，不同频率能量组成序列作为分类模型的输入；使用卷积神经网络模型与残差网络模型两种分类方法，原始肌电数据与频谱数据两种数据集，一共4种组合构成4个分类模型，模型分别单独进行训练；获取各个模型对手势的识别结果，使用置信度得分组合各个不同模型的结果，置信度总评分最高的为最终结果。
-
公开(公告)号：CN113269306A
公开(公告)日：2021-08-17
申请号：CN202110553129.5
申请日：2021-05-20
Applicant: 南京邮电大学
Abstract: 基于多分类器卷积神经网络的联合训练方法，包括步骤：分割训练样本；训练单分类器卷积神经网络；训练多分类器卷积神经网络；换下一批训练样本；单独训练线性分类器。本发明提出的参数更新方式，利用置信值预估出每个样本为此层易分类样本的概率，并作用于每层的误差上，通过加上这个误差，即一定梯度的正方向，调和了多走的距离。提出的新的参数更新方式通过使用来表示此分类样本为前面层的易分类样本的概率，量化了需要加上的误差的必要性。提出的新的训练方式，先训练单分类器卷积神经网络，再训练每层带线性分类器的多分类器卷积神经网络，先给予每层卷积层参数一定的训练，有益于每层的线性分类器更加专注于本层卷积层所提取的特征的识别。
-
Patent Agency Ranking
公开(公告)号：CN110598676A
公开(公告)日：2019-12-20
申请号：CN201910912473.1
申请日：2019-09-25
Applicant: 南京邮电大学
Abstract: 基于置信度得分模型的深度学习手势肌电信号识别方法，包含以下步骤：采集的肌电原始数据并进行预处理；预处理之后使用标签分别标注类别，然后每一个类别通过滑动窗口分割为多段数据；将数据划分为训练与测试数据，将训练与测试数据分别随机排序；对所有数据进行归一化操作；使用离散傅里叶变换转换为频谱数据，依据频谱计算出每个频率的能量，不同频率能量组成序列作为分类模型的输入；使用卷积神经网络模型与残差网络模型两种分类方法，原始肌电数据与频谱数据两种数据集，一共4种组合构成4个分类模型，模型分别单独进行训练；获取各个模型对手势的识别结果，使用置信度得分组合各个不同模型的结果，置信度总评分最高的为最终结果。
-
公开(公告)号：CN111783669A
公开(公告)日：2020-10-16
申请号：CN202010626780.6
申请日：2020-07-02
Applicant: 南京邮电大学
Abstract: 一种面向个人用户的表面肌电信号分类识别方法，设定初始手势数据集Du，并采集使用者数据得到用户手势数据集Dp；进行数据预处理，进行分类标签和去噪处理，并将数据转换为三维格式矩阵；构建训练集，对数据集中的矩阵进行标序，并扩充用户手势数据集Dp，新建包含Du和Dp的手势数据的数据集Dall作为训练神经网络需要的训练集；将训练集输入LeNet-5模型结构的神经网络中进行训练；通过训练后的神经网络输出得到识别结果，同时保存神经网络的网络权重，下次使用时直接调用，无需再次训练。本方法正确率高、训练结果稳定、训练周期短。
-
公开(公告)号：CN110610172A
公开(公告)日：2019-12-24
申请号：CN201910912380.9
申请日：2019-09-25
Applicant: 南京邮电大学
Abstract: 一种基于RNN-CNN架构的肌电手势识别方法，依据肌电信号的时序特性，先对各通道信号使用RNN架构进行特征提取，再使用CNN架构对融合后的特征图进一步提取，主要包含以下步骤：数据预处理；RNN模块对预处理后的数据进行初步的特征提取；融合模块对RNN的输出结果进行融合处理；CNN模块对融合模块的输出结果进行特征提取与分析；分类模块用于模型输出对输入手势信号的判别，即根据当前输入的肌电信号判断它属于哪一个手势类别。本发明可以有效提取数据的时序关联性与特征，同时提高手势识别率；在数据预处理阶段引入最值点选取与拼接方法，减少了模型训练时间；避免了通道间的相互干扰，最后融合阶段利用多个通道的关联性，有利于肌电信号的识别。
-
公开(公告)号：CN110610172B
公开(公告)日：2022-08-12
申请号：CN201910912380.9
申请日：2019-09-25
Applicant: 南京邮电大学
Abstract: 一种基于RNN‑CNN架构的肌电手势识别方法，依据肌电信号的时序特性，先对各通道信号使用RNN架构进行特征提取，再使用CNN架构对融合后的特征图进一步提取，主要包含以下步骤：数据预处理；RNN模块对预处理后的数据进行初步的特征提取；融合模块对RNN的输出结果进行融合处理；CNN模块对融合模块的输出结果进行特征提取与分析；分类模块用于模型输出对输入手势信号的判别，即根据当前输入的肌电信号判断它属于哪一个手势类别。本发明可以有效提取数据的时序关联性与特征，同时提高手势识别率；在数据预处理阶段引入最值点选取与拼接方法，减少了模型训练时间；避免了通道间的相互干扰，最后融合阶段利用多个通道的关联性，有利于肌电信号的识别。
-
公开(公告)号：CN111783669B
公开(公告)日：2022-07-22
申请号：CN202010626780.6
申请日：2020-07-02
Applicant: 南京邮电大学
Abstract: 一种面向个人用户的表面肌电信号分类识别方法，设定初始手势数据集Du，并采集使用者数据得到用户手势数据集Dp；进行数据预处理，进行分类标签和去噪处理，并将数据转换为三维格式矩阵；构建训练集，对数据集中的矩阵进行标序，并扩充用户手势数据集Dp，新建包含Du和Dp的手势数据的数据集Dall作为训练神经网络需要的训练集；将训练集输入LeNet‑5模型结构的神经网络中进行训练；通过训练后的神经网络输出得到识别结果，同时保存神经网络的网络权重，下次使用时直接调用，无需再次训练。本方法正确率高、训练结果稳定、训练周期短。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
