针对上肢肌音信号(Mechanomyography,MMG)动作识别准确率不高的问题,提出一种基于粒子群算法(PSO)与长短期记忆网络相结合的混合模型(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)的动作识别方法。采用5通道传感器对...针对上肢肌音信号(Mechanomyography,MMG)动作识别准确率不高的问题,提出一种基于粒子群算法(PSO)与长短期记忆网络相结合的混合模型(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)的动作识别方法。采用5通道传感器对受试者进行上肢肌音信号采集,使用巴特沃斯滤波(Butterworth Filter)等方法对肌音信号进行预处理,并进行特征提取;构建基于PSO-LSTM的上肢肌音信号识别模型并进行模型训练和测试;最后从不同测度对比了长短期记忆(LSTM)模型、麻雀搜索算法(Sparrow Search Algorithm,SSA)优化的LSTM模型(Sparrow Search Algorithm-Long Short Term Memory, SSA-LSTM)以及PSO-LSTM模型的实验结果。结果表明,PSO-LSTM模型的准确度均高于LSTM、 SSA-LSTM模型,达到96.9%左右,在迭代损失、迭代速度等方面也优于LSTM、SSA-LSTM模型,从而证明了该模型用于上肢肌音信号识别的优越性。展开更多
文摘针对上肢肌音信号(Mechanomyography,MMG)动作识别准确率不高的问题,提出一种基于粒子群算法(PSO)与长短期记忆网络相结合的混合模型(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)的动作识别方法。采用5通道传感器对受试者进行上肢肌音信号采集,使用巴特沃斯滤波(Butterworth Filter)等方法对肌音信号进行预处理,并进行特征提取;构建基于PSO-LSTM的上肢肌音信号识别模型并进行模型训练和测试;最后从不同测度对比了长短期记忆(LSTM)模型、麻雀搜索算法(Sparrow Search Algorithm,SSA)优化的LSTM模型(Sparrow Search Algorithm-Long Short Term Memory, SSA-LSTM)以及PSO-LSTM模型的实验结果。结果表明,PSO-LSTM模型的准确度均高于LSTM、 SSA-LSTM模型,达到96.9%左右,在迭代损失、迭代速度等方面也优于LSTM、SSA-LSTM模型,从而证明了该模型用于上肢肌音信号识别的优越性。