[发明专利]一种多模态深度森林框架的手部动作识别方法

权利要求书

1.一种多模态深度森林框架的手部动作识别方法，其特征在于，包括：

S1.获取与手部动作相对应的肌电信号和加速度信号；

S2.分别提取肌电信号和加速度信号相对应的时域特征，得到肌电信号特征向量和加速度信号特征向量；

S3.将肌电信号特征向量和加速度信号特征向量进行融合，得到融合后的特征向量集；

S4.将已经确定好超参数的深度森林进行优化；

S5.将特征向量集输入到优化后的深度森林中，得到手部动作的输出识别结果。

2.根据权利要求1所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述步骤S2中肌电信号的时域特征包括肌电信号的绝对平均值、肌电信号的波形长度、肌电信号的自回归系数、肌电信号的过零数、肌电信号的斜率符号变化次数。

3.根据权利要求2所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述肌电信号的绝对平均值，表示为：

其中，MAV表示肌电信号的绝对平均值；N表示滑动窗口大小；x_i表示时间点i的瞬时sEMG值。

4.根据权利要求2所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述肌电信号的波形长度，表示为：

其中，N表示滑动窗口大小；x_i表示时间点i的瞬时sEMG值。

5.根据权利要求2所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述肌电信号的自回归系数，表示为：

其中，x_i,k表示肌电信号的自回归系数；p表示自回归模型的模型阶数；p_j表示自回归模型的第j个系数；ε_t表示残余白噪声；k表示肌电信号序列中的第k个采样点；x_i表示时间点i的瞬时sEMG值。

6.根据权利要求2所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述肌电信号的过零数，表示为：

其中，

其中，ε表示避免低级噪声的阈值；N表示滑动窗口大小；x_i表示时间点i的瞬时sEMG值。

7.根据权利要求2所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述肌电信号的斜率符号变化次数，表示为：

其中，

其中，ε表示避免低级噪声的阈值；N表示滑动窗口大小；x_i表示时间点i的瞬时sEMG值。

8.根据权利要求1所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述步骤S2中加速度信号的时域特征包括加速信号的应用平均值。

9.根据权利要求8所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述步骤S3中还包括对加速度信号特征向量进行降维分析，其中降维分析具体为：

将加速度矩阵设定为X，表示为：

其中，n表示样本个数，m表示每个样本的维度；

将加速度矩阵进行主成分分析，表示为：

其中

其中，x₁，x₂，…，x_p表示原特征矢量；z₁，z₂，…，z_p(mp)表示新特征矢量；l_ij表示系数。

10.根据权利要求1所述的一种多模态深度森林框架的手部动作识别方法，其特征在于，所述步骤S5具体包括：

S51.将得到的m维的特征向量送到深度森林算法的随机森林中，每个随机森林得到了一个n维的数据；其中，深度森林中每层结构有4个随机森林，两个黑色是完全随机森林，两个是普通随机森林，则得到了4个n维的概率数据；

S52.将步骤S51中得到了4个n维的概率数据与原始的加速度矩阵拼接起来得到m+4n维的数据，将得到m+4n维的数据作为下一层的输入，则得到4个n维的数据；

S53.将步骤S52中得到了4个n维的概率数据与原始的加速度矩阵拼接起来得到m+4n维的数据，将得到m+4n维的数据作为下一层的输入，则得到4个n维的数据；

S54.继续执行步骤S53，直到执行完最后一层，最后输出4个n维的数据；

S55.将最后输出的4个n维的数据取平均，得到一个n维的数据；

S56.在得到的n维的数据里面取最大的值作为预测结果。