基于气压肌动图和改进神经模糊推理系统的手势识别研究
手势识别是人机交互领域的重要研究内容,为截肢患者控制智能假肢手提供基础.当前主流方法之一是利用表面肌电图(Electromyogram,EMG)识别手部运动意图,但肌电信号存在信号弱和易受噪声、汗液、疲劳影响等缺点.同时肌电图在识别准确率方面,尤其是截肢患者手势识别方面仍然具有较大的提升空间.针对这些问题,设计了基于气压肌动图(Pressure-based mechanomyogram,pMMG)的穿戴式信号采集装置,为手势识别提供了优质的信号源.结合深度神经网络中全连接层结构、典型抽样和标准正则化技术,提出了一种改进多类神经模糊推理系统(Improved multicalss neural fuzzy inference system,IMNFIS),与传统自适应神经模糊推理系统(Adaptive neural fuzzy inference system,ANFIS)相比,泛化能力得到显著提升.招募了 7名健康受试者和1名截肢受试者,并用8种算法开展离线实验.所提方法在残疾人手势识别实验中取得了 97.25%的最高平均准确率,在健康人手势识别实验中取得了 98.18%的最高平均准确率.与近年公开报道的多种手势识别研究相比,所提方法的综合性能更优.
手势识别、肌动图、神经模糊推理系统、自适应学习算法
48
TP311;S;TP273
国家自然科学基金;湖北省技术创新专项;科技部政府间国际科技创新合作重点专项
2022-06-22(万方平台首次上网日期,不代表论文的发表时间)
共14页
1220-1233