基于迁移学习的表面肌电信号手势识别

为了解决基于深度学习方法的表面肌电(sEMG)信号手势识别模型训练中需要大量数据的问题,该文将迁移学习方法与卷积神经网络(CNN)相结合,设计了一种微调模型参数的训练方法。设计实验对16名被试者采集了8种手势的sEMG信号。利用已有被试者的sEMG信号作为源域数据对CNN进行训练,模型在源域数据上的分类准确率为85.3%~98.11%。取其他被试者的sEMG信号作为目标域数据,数据量大小为源域数据的10%。在已训练好的模型基础上固定前2层卷积层,微调其余层级的参数,完成模型在不同个体间的迁移。迁移后的模型在目标域上的分类准确率为84.14%~97.4%。