[发明专利]一种基于三轴加速度空时特征融合的手势识别方法及系统

说明书

本发明公开了一种基于三轴加速度空时特征融合的手势识别方法，包括以下步骤：获取三轴加速度样本数据，并使用标注分类标签进行数据集划分；对数据集进行标准化处理，得到标准化数据集；将标准化数据集进行空域特征提取和时域特征提取；通过空域特征数据和时域特征数据训练预测分类模型；使用训练后的预测分类模型进行分类识别，得到识别结果；本发明可以获取空域信息作为模型的特征，门控循环单元具有长距离时序数据的信息特征提取能力，从而保证了系统具有处理有局部相关性的时序数据的能力；另外，将三轴加速度信号的空域特征和时域特征作为分类特征进行输入，同时提升了手势识别分类方法的准确性，以及分类系统的鲁棒性。

技术领域

本发明涉及手势识别的研究领域，特别涉及一种基于三轴加速度空时特征融合的手势识别方法及系统。

背景技术

在三轴加速度的手势识别分类过程中，具有判别性的特征的提取需要大量的先验知识，这样的特征工程十分费事费力，同时这类特征密切影响着手势识别分类的性能。

深度学习对三轴加速度的手势识别分类具有良好的适用性，并且同时具备自动特征工程的能力，通过训练能够自动提取具有判别性的特征。

目前应用于三轴加速度的手势识别分类深度学习方法，主要包括深度学习中的卷积神经网络(CNN)分类模型和递归神经网络(RNN)(代表有门控循环单元(GRU))分类模型等训练后进行预测分类。

常见的三轴加速度信号是一种一维信号，对于一维信号的卷积神经网络模型，常用方法是使用一维卷积进行特征提取。

其中的一维卷积即试图提取信号在某一方向的平移不变特征，这里的三轴加速度信号是一种时间序列。因此，使用一维卷积进行提取的三轴加速度信号在时间方向的平移不变特征。

卷积神经网络作为一种前馈网络，其中各输入之间是相互独立的，每层神经元的信号只能向下一层传播，同一卷积层对不同通道信息的提取是独立的。因此，卷积神经网络擅长于提取信号中包含的空间特征，但却不能够有效处理时间序列数据。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于三轴加速度空时特征融合的手势识别方法及系统，旨在提升深度学习对手势识别算法准确性能不强的问题，同时提高模型的泛化性能；具体包含卷积提取时空域的特征原理、门控循环单元原理和空时域特征融合原理。卷积提取时空域的特征原理，通过在信号在空间上的卷积计算，可以获取空域信息作为模型的特征，门控循环单元原理具有长距离时序数据的信息特征提取能力，从而保证了系统具有处理有局部相关性的时序数据的能力。空时域特征融合原理，将三轴加速度信号的空域特征和时域特征作为分类特征进行输入，同时提升了手势识别分类方法的准确性，以及分类系统的鲁棒性。

本发明第一目的在于提供一种基于三轴加速度空时特征融合的手势识别方法；

本发明第二目的在于提供一种基于三轴加速度空时特征融合的手势识别系统。

本发明的第一目的通过以下的技术方案实现：

一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，包括以下步骤：

获取三轴加速度历史样本数据，并使用标注分类标签进行数据集划分；

对数据集进行标准化处理，得到标准化数据集；

将标准化数据集进行空域特征提取和时域特征提取，得到空域特征数据和时域特征数据；

通过获取的空域特征数据和时域特征数据训练预测分类模型；

使用训练后的预测分类模型进行分类识别，得到识别结果。

进一步地，还包括步骤：对识别结果进行评价；所述对识别结果进行评价，具体为：

评估分类性能的指标，包括：精确率、灵敏度、特异性、马太相关系数；