期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合双层注意力与多流卷积的肌电手势识别记忆网络
被引量:
2
1
作者
刘聪
许婷婷
+3 位作者
马钰同
刘粤
孔祥斌
胡胜
《光电子.激光》
CAS
CSCD
北大核心
2023年第2期180-189,共10页
针对表面肌电信号(surface electromyography, sEMG)手势识别使用卷积神经网络(convolutional neural network, CNN)提取特征不够充分,且忽略时序信息而导致识别精度不高的问题,本文创新性地提出了一种融合双层注意力与多流卷积神经网络...
针对表面肌电信号(surface electromyography, sEMG)手势识别使用卷积神经网络(convolutional neural network, CNN)提取特征不够充分,且忽略时序信息而导致识别精度不高的问题,本文创新性地提出了一种融合双层注意力与多流卷积神经网络(multi-stream convolutional neural network, MS-CNN)的sEMG手势识别记忆网络模型。首先,利用滑动窗口生成的表面肌电图像作为该模型的输入;然后在MS-CNN中嵌入通道注意力层(channel attention module, CAM),弱化无关信息,使网络能够更加专注sEMG的有效特征;其次,通过长短期记忆网络(long short term memory network, LSTM)对输入的特征进行时序上的激励,关注更多sEMG的时序信息,让网络在时间维度上拥有更强的学习能力;最后,采用时序注意力(time-sequence attention, TSA)层对LSTM的状态进行关注,从而更好地学习重要肌肉信息,提高手势识别精度。在NinaPro数据集上进行实验测试,结果表明,使用本文提出的网络模型在DB1数据集和DB2数据集的手势识别精度分别达到了86.42%和80.60%,高于大多数主流模型,充分验证了模型的有效性。
展开更多
关键词
表面肌电信号(sEMG)
手势识别
多流卷积神经网络(MS-CNN)
长短期记忆网络(LSTM)
注意力机制
原文传递
融合多元经验模态分解与Hilbert空间填充曲线的sEMG处理方法
2
作者
刘聪
马钰同
+2 位作者
许婷婷
胡胜
孔祥斌
《光电子.激光》
CAS
CSCD
北大核心
2023年第7期723-733,共11页
基于卷积神经网络(convolutional neural network, CNN)的表面肌电信号(surface electromygraphy, sEMG)手势识别算法通常将一维sEMG转换成二维肌电图作为CNN的输入。针对sEMG瞬时样本量偏少、以及一维sEMG转换成二维肌电图时带来的局...
基于卷积神经网络(convolutional neural network, CNN)的表面肌电信号(surface electromygraphy, sEMG)手势识别算法通常将一维sEMG转换成二维肌电图作为CNN的输入。针对sEMG瞬时样本量偏少、以及一维sEMG转换成二维肌电图时带来的局部时序特征丢失等问题,提出了将多元经验模态分解(multivariate empirical mode decomposition, MEMD)算法与Hilbert空间填充曲线相结合的方法,以提升手势识别算法的准确率。采用开源数据集NinaPro-DB1作为实验数据集;通过MEMD算法对sEMG进行分解;将分解后的本征模态函数(intrinsic mode functions, IMFs)作为Hilbert曲线的填充域(Hilb-IMFs)映射成二维肌电图;选择DenseNet作为手势识别的基本网络。实验结果表明,提出的方法相对于传统信号升维方法在手势识别准确率上约有4%的性能提升,验证了该方法的有效性。
展开更多
关键词
表面肌电信号(sEMG)
多元经验模态分解(MEMD)
Hilbert空间填充曲线
卷积神经网络(CNN)
原文传递
题名
融合双层注意力与多流卷积的肌电手势识别记忆网络
被引量:
2
1
作者
刘聪
许婷婷
马钰同
刘粤
孔祥斌
胡胜
机构
湖北工业大学电气与电子工程学院
太阳能高效利用湖北省协同创新中心
武汉华安科技有限股份有限公司博士后科研工作站
出处
《光电子.激光》
CAS
CSCD
北大核心
2023年第2期180-189,共10页
基金
国家自然科学基金(61901165)资助项目。
文摘
针对表面肌电信号(surface electromyography, sEMG)手势识别使用卷积神经网络(convolutional neural network, CNN)提取特征不够充分,且忽略时序信息而导致识别精度不高的问题,本文创新性地提出了一种融合双层注意力与多流卷积神经网络(multi-stream convolutional neural network, MS-CNN)的sEMG手势识别记忆网络模型。首先,利用滑动窗口生成的表面肌电图像作为该模型的输入;然后在MS-CNN中嵌入通道注意力层(channel attention module, CAM),弱化无关信息,使网络能够更加专注sEMG的有效特征;其次,通过长短期记忆网络(long short term memory network, LSTM)对输入的特征进行时序上的激励,关注更多sEMG的时序信息,让网络在时间维度上拥有更强的学习能力;最后,采用时序注意力(time-sequence attention, TSA)层对LSTM的状态进行关注,从而更好地学习重要肌肉信息,提高手势识别精度。在NinaPro数据集上进行实验测试,结果表明,使用本文提出的网络模型在DB1数据集和DB2数据集的手势识别精度分别达到了86.42%和80.60%,高于大多数主流模型,充分验证了模型的有效性。
关键词
表面肌电信号(sEMG)
手势识别
多流卷积神经网络(MS-CNN)
长短期记忆网络(LSTM)
注意力机制
Keywords
surface electromyography(sEMG)
gesture recognition
multi-stream convolutional neural network(MS-CNN)
long short term memory network(LSTM)
attention mechanism
分类号
TP391 [自动化与计算机技术—计算机应用技术]
原文传递
题名
融合多元经验模态分解与Hilbert空间填充曲线的sEMG处理方法
2
作者
刘聪
马钰同
许婷婷
胡胜
孔祥斌
机构
湖北工业大学电气与电子工程学院
太阳能高效利用湖北省协同创新中心
武汉华安科技股份有限公司博士后科研工作站
出处
《光电子.激光》
CAS
CSCD
北大核心
2023年第7期723-733,共11页
基金
国家自然科学基金(61901165)资助项目。
文摘
基于卷积神经网络(convolutional neural network, CNN)的表面肌电信号(surface electromygraphy, sEMG)手势识别算法通常将一维sEMG转换成二维肌电图作为CNN的输入。针对sEMG瞬时样本量偏少、以及一维sEMG转换成二维肌电图时带来的局部时序特征丢失等问题,提出了将多元经验模态分解(multivariate empirical mode decomposition, MEMD)算法与Hilbert空间填充曲线相结合的方法,以提升手势识别算法的准确率。采用开源数据集NinaPro-DB1作为实验数据集;通过MEMD算法对sEMG进行分解;将分解后的本征模态函数(intrinsic mode functions, IMFs)作为Hilbert曲线的填充域(Hilb-IMFs)映射成二维肌电图;选择DenseNet作为手势识别的基本网络。实验结果表明,提出的方法相对于传统信号升维方法在手势识别准确率上约有4%的性能提升,验证了该方法的有效性。
关键词
表面肌电信号(sEMG)
多元经验模态分解(MEMD)
Hilbert空间填充曲线
卷积神经网络(CNN)
Keywords
surface electromyography(sEMG)
multivariate empirical mode decomposition(MEMD)
Hilbert space-filling curve
convolutional neural network(CNN)
分类号
TP391 [自动化与计算机技术—计算机应用技术]
原文传递
题名
作者
出处
发文年
被引量
操作
1
融合双层注意力与多流卷积的肌电手势识别记忆网络
刘聪
许婷婷
马钰同
刘粤
孔祥斌
胡胜
《光电子.激光》
CAS
CSCD
北大核心
2023
2
原文传递
2
融合多元经验模态分解与Hilbert空间填充曲线的sEMG处理方法
刘聪
马钰同
许婷婷
胡胜
孔祥斌
《光电子.激光》
CAS
CSCD
北大核心
2023
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部