基于IMU与sEMG混合信号的实时手势分类算法研究

摘要：

为了提高表面肌电信号(surface electromyography,sEMG)的手势分类准确率,通过惯性测量单元(inertial measurement unit,IMU)与采集姿态信号与sEMG的混合信号,提出了GRU-BiLSTM双层网络的实时手势分类算法.第1层门控循环单元(gated recurrent unit,GRU)利用能量组合算子特征对混合信号进行突变点检测,定位运动态数据起始点;第2层双向长短时记忆循环神经网络(Bi-directional long short term memory,BiLSTM)使用能量核相图特征对运动态混合信号进行2个方向10种手势的分类.通过离线模型优化,分类算法识别时间低于40 ms,突变点检测精度88.7%以上,手势分类准确率为 85%,信息传输率(information translate rate,ITR)达到89.9 bits/min,与基于机器学习的分类算法相比,在准确率与计算效率上具有优势.

关键词：表面肌电信号、惯性测量单元、门控循环单元、双向长短时记忆循环神经网络、手势分类

所属期刊栏目：35

分类号：TP249;TP319(自动化技术及设备)

资助基金：北京市自然科学基金;国家级大学生创新创业训练计划项目

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：359-371