本申請涉及生物信號處理技術領域，公開了一種手勢識別方法、裝置、存儲介質及可穿戴設備，該方法包括：基于獲取到的當前用戶的歷史肌電圖信號和不同用戶的綜合肌電圖信號之間的信號相似度，訓練得到當前用戶對應的目標手勢識別模型；本次手勢識別啟動時，對當前用戶做出的待識別手勢進行采集，并對采集結果進行活動段檢測，獲得當前肌電圖信號；基于目標手勢識別模型對當前肌電圖信號進行手勢識別。相比于現有的手勢識別模型難以復用，本申請可訓練獲得當前用戶對應的目標手勢識別模型，再通過該目標手勢識別模型對當前用戶的當前肌電圖信號進行手勢識別，從而使手勢識別模型可在不同用戶身上實現復用，提升手勢識別能力。
1、肌電圖(electromyography，emg)信號是肌肉組織在收縮過程中產生的電生理信號，其反映了肌肉活動水平和神經肌肉功能的狀況。目前，很多手勢識別系統均采用表面肌電(surface?electromyography，semg)信號進行多種微小手勢的識別。
2、現有技術中，一般直接通過訓練好的手勢識別模型對采集到的emg信號進行手勢識別，但由于不同用戶的身體狀況、肌肉力量以及動作習慣等差異，使得相同動作由不同用戶做出時，產生的emg信號也各有不同，進而導致訓練獲得的手勢識別模型存在較嚴重的不可復用性，即在一個用戶上訓練出的手勢識別模型，在其他用戶身上難以復用，導致手勢識別能力較差。
>6、在一實施例中，所述基于獲取到的當前用戶的歷史肌電圖信號和不同用戶的綜合肌電圖信號之間的信號相似度，訓練得到所述當前用戶對應的目標手勢識別模型的步驟，包括：7、獲取當前用戶的歷史肌電圖信號，并確定所述歷史肌電圖信號與不同用戶的綜合肌電圖信號之間的信號相似度；
8、基于各所述信號相似度從所述綜合肌電圖信號中選取所述當前用戶對應的標簽肌電圖信號；
9、通過所述標簽肌電圖信號和所述歷史肌電圖信號對初始手勢識別模型進行訓練，獲得所述當前用戶對應的目標手勢識別模型。
10、在一實施例中，所述通過所述標簽肌電圖信號和所述歷史肌電圖信號對初始手勢識別模型進行訓練，獲得所述當前用戶對應的目標手勢識別模型的步驟，包括：
11、對所述標簽肌電圖信號進行特征提取，獲得源域中間特征向量，并對所述歷史肌電圖信號進行特征提取，獲得目標域中間特征向量；
12、基于所述源域中間特征向量確定源域手勢類別概率，并基于所述目標域中間特征向量確定主目標域手勢類別概率；
13、根據所述源域中間特征向量、所述目標域中間特征向量、所述源域手勢類別概率和所述主目標域手勢類別概率構建一輪訓練損失函數；
14、通過所述一輪訓練損失函數對初始手勢識別模型進行訓練，獲得所述當前用戶對應的目標手勢識別模型。
15、在一實施例中，所述根據所述源域中間特征向量、所述目標域中間特征向量、所述源域手勢類別概率和所述主目標域手勢類別概率構建一輪訓練損失函數的步驟，包括：
16、根據所述源域中間特征向量和所述目標域中間特征向量構建聯合最大均值差異損失函數；
17、通過所述源域手勢類別概率構建第一交叉熵損失函數，并通過所述主目標域手勢類別概率構建最小類混淆損失函數；
18、基于所述聯合最大均值差異損失函數、所述第一交叉熵損失函數和所述最小類混淆損失函數構建一輪訓練損失函數。
19、在一實施例中，所述聯合最大均值差異損失函數為：
20、
21、其中，s為源域，t為目標域，ljmmd(s,t)為所述聯合最大均值差異損失函數，ns為所述源域的數量，nt為所述目標域的數量，k(,)為核函數，為第i個所述源域中間特征向量，為第j個所述源域中間特征向量，為第i個所述目標域中間特征向量，為第j個所述目標域中間特征向量，l為全連接層的個數，l為當前的全連接層。
22、在一實施例中，所述通過所述主目標域手勢類別概率構建最小類混淆損失函數的步驟，包括：
23、對所述主目標域手勢類別概率進行概率調整，并對調整后的主目標域手勢類別概率進行重加權；
24、對重加權后的主目標域手勢類別概率進行類關聯性減小操作，并基于操作結果構建最小類混淆損失函數。
25、在一實施例中，所述一輪訓練損失函數為：
26、loss1＝lce(s)+αljmmd(s,t)+βlmcc(t)；
27、其中，loss1為所述一輪訓練損失函數，lce(s)為所述第一交叉熵損失函數，ljmmd(s,t)為所述聯合最大均值差異損失函數，lmcc(t)為所述最小類混淆損失函數，α為第一預設權重參數，β為第二預設權重參數。
28、在一實施例中，所述通過所述一輪訓練損失函數對初始手勢識別模型進行訓練，獲得所述當前用戶對應的目標手勢識別模型的步驟，包括：
29、對所述主目標域手勢類別概率進行置信度檢驗，獲得目標域偽標簽，并基于所述目標域中間特征向量確定輔助目標域手勢類別概率；
30、根據所述目標域偽標簽和所述輔助目標域手勢類別概率構建第二交叉熵損失函數，并將所述第二交叉熵損失函數作為二輪訓練損失函數；
31、通過所述一輪訓練損失函數對初始手勢識別模型進行一輪訓練，并通過所述二輪訓練損失函數對訓練后的初始手勢識別模型進行二輪訓練，獲得所述當前用戶對應的目標手勢識別模型。
32、在一實施例中，所述二輪訓練損失函數為：
33、
34、其中，loss2為所述二輪訓練損失函數，t為目標域，lce(t)為所述第二交叉熵損失函數，c為手勢類別個數，yt1,i為第i個所述手勢類別對應的目標域偽標簽，pt2,i為第i個所述手勢類別對應的輔助目標域手勢類別概率。
35、在一實施例中，所述基于所述目標手勢識別模型對所述當前肌電圖信號進行手勢識別的步驟之后，還包括：
36、基于所述當前肌電圖信號對所述當前用戶的歷史肌電圖信號進行更新；
37、根據更新后的歷史肌電圖信號和所述不同用戶的綜合肌電圖信號之間的信號相似度，對所述目標手勢識別模型進行訓練；
38、下次手勢識別啟動時，通過訓練后的目標手勢識別模型對所述當前用戶做出的下一待識別手勢進行手勢識別。
39、此外，為實現上述目的，本申請還提出一種手勢識別裝置，所述裝置包括：
40、模型訓練模塊，用于基于獲取到的當前用戶的歷史肌電圖信號和不同用戶的綜合肌電圖信號之間的信號相似度，訓練得到所述當前用戶對應的目標手勢識別模型；
41、手勢采集模塊，用于本次手勢識別啟動時，對所述當前用戶做出的待識別手勢進行采集，并對采集結果進行活動段檢測，獲得當前肌電圖信號；
42、手勢識別模塊，用于基于所述目標手勢識別模型對所述當前肌電圖信本文檔來自技高網...
【技術保護點】
1.一種手勢識別方法，其特征在于，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述基于獲取到的當前用戶的歷史肌電圖信號和不同用戶的綜合肌電圖信號之間的信號相似度，訓練得到所述當前用戶對應的目標手勢識別模型的步驟，包括：
3.如權利要求2所述的方法，其特征在于，所述通過所述標簽肌電圖信號和所述歷史肌電圖信號對初始手勢識別模型進行訓練，獲得所述當前用戶對應的目標手勢識別模型的步驟，包括：
4.如權利要求3所述的方法，其特征在于，所述根據所述源域中間特征向量、所述目標域中間特征向量、所述源域手勢類別概率和所述主目標域手勢類別概率構建一輪訓練損失函數的步驟，包括：
5.如權利要求4所述的方法，其特征在于，所述聯合最大均值差異損失函數為：
6.如權利要求5所述的方法，其特征在于，所述通過所述主目標域手勢類別概率構建最小類混淆損失函數的步驟，包括：
7.如權利要求4所述的方法，其特征在于，所述一輪訓練損失函數為：
8.如權利要求3所述的方法，其特征在于，所述通過所述一輪訓練損失函數對初始手勢識別模型進行訓練，獲得所述當前用戶對應的目標手勢識別模型的步驟，包括：
9.如權利要求8所述的方法，其特征在于，所述二輪訓練損失函數為：
10.如權利要求1至9中任一項所述的方法，其特征在于，所述基于所述目標手勢識別模型對所述當前肌電圖信號進行手勢識別的步驟之后，還包括：
11.一種手勢識別裝置，其特征在于，所述裝置包括：
12.一種存儲介質，其特征在于，所述存儲介質上存儲有手勢識別程序，所述手勢識別程序被處理器執行時實現如權利要求1至10中任一項所述的手勢識別方法。
13.一種可穿戴設備，其特征在于，所述可穿戴設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的手勢識別程序，所述手勢識別程序被所述處理器執行時實現如權利要求1至10中任一項所述的手勢識別方法。
...
【技術特征摘要】
1.一種手勢識別方法，其特征在于，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述基于獲取到的當前用戶的歷史肌電圖信號和不同用戶的綜合肌電圖信號之間的信號相似度，訓練得到所述當前用戶對應的目標手勢識別模型的步驟，包括：
3.如權利要求2所述的方法，其特征在于，所述通過所述標簽肌電圖信號和所述歷史肌電圖信號對初始手勢識別模型進行訓練，獲得所述當前用戶對應的目標手勢識別模型的步驟，包括：
4.如權利要求3所述的方法，其特征在于，所述根據所述源域中間特征向量、所述目標域中間特征向量、所述源域手勢類別概率和所述主目標域手勢類別概率構建一輪訓練損失函數的步驟，包括：
5.如權利要求4所述的方法，其特征在于，所述聯合最大均值差異損失函數為：
6.如權利要求5所述的方法，其特征在于，所述通過所述主目標域手勢類別概率構建最小類混淆損失函數的步驟，包括：
7.如權利要求4所述的方法，其特征...
【專利技術屬性】
技術研發人員：韓有方，趙維，
申請(專利權)人：北京歌爾泰克科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。