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。
文摘为解决单一的卷积神经网络(convolutional netral network,CNN)缺乏利用时序信息与单一循环神经网络(recurrent neural network,RNN)对局部信息把握不全问题,提出了融合注意力机制与时空网络的深度学习模型(convolutional neural network-long short term memory network-attention mechanism,CLA-net)的人体行为识别(Human activity recognition,HAR)方法。首先,通过CNN的强学习能力提取局部特征;其次,利用长短时记忆网络(long short term memory,LSTM)提取时序信息;再次,运用注意力机制获取并优化最重要的特征;最后使用softmax分类器对识别结果进行分类。仿真实验结果表明,CLA-net模型在UCI HAR和DaLiAc数据集上的准确率分别达到95.35%、99.43%,F1分别达到95.35%、99.43%,均优于对比实验模型,有效提高了识别精度。
