DOI:10.16136/j.joel.2023.02.0190融合双层注意力与多流卷积的肌电手势识别记忆网络刘聪1,2,3*,许婷婷1,2,马钰同1,2,刘粤1,2,孔祥斌1,2,胡胜1,2(1.湖北工业大学电气与电子工程学院,湖北武汉430068;2.太阳能高效利用湖北省协同创新中心,湖北武汉430068;3.武汉华安科技有限股份有限公司,博士后科研工作站,湖北武汉430068)摘要:针对表面肌电信号(surfaceelectromyography,sEMG)手势识别使用卷积神经网络(convolu-tionalneuralnetwork,CNN)提取特征不够充分,且忽略时序信息而导致识别精度不高的问题,本文创新性地提出了一种融合双层注意力与多流卷积神经网络(multi-streamconvolutionalneuralnetwork,MS-CNN)的sEMG手势识别记忆网络模型。首先,利用滑动窗口生成的表面肌电图像作为该模型的输入;然后在MS-CNN中嵌入通道注意力层(channelattentionmodule,CAM),弱化无关信息,使网络能够更加专注sEMG的有效特征;其次,通过长短期记忆网络(longshorttermmemorynetwork,LSTM)对输入的特征进行时序上的激励,关注更多sEMG的时序信息,让网络在时间维度上拥有更强的学习能力;最后,采用时序注意力(time-sequenceattention,TSA)层对LSTM的状态进行关注,从而更好地学习重要肌肉信息,提高手势识别精度。在NinaPro数据集上进行实验测试,结果表明,使用本文提出的网络模型在DB1数据集和DB2数据集的手势识别精度分别达到了86.42%和80.60%,高于大多数主流模型,充分验证了模型的有效性。关键词:表面肌电信号(sEMG);手势识别;多流卷积神经网络(MS-CNN);长短期记忆网络(LSTM);注意力机制中图分类号:TP391文献标识码:A文章编号:1005-0086(2023)02-0180-10Incorporatingtwo-layerattentionandmulti-streamconvolutionalforsEMGgesturerecognitionmemorynetworksLIUCong1,2,3*,XUTingting1,2,MAYutong1,2,LIUYue1,2,KONGXiangbin1,2,HUSheng1,2(1.SchoolofElectricalandElectronicEngineering,HubeiUniversityofTechnology,Wuhan,Hubei430068,China;2.HubeiCollaborativeInnovationCenterforHigh-efficiencyUtilizationofSolarEnergy,Wuhan,Hubei430068,China;3.PostdoctoralWorkstation,WuhanHua'anScienceandTechnologyCo.,Ltd.,Wuhan,Hubei430068,China)Abstract:Tosolvetheproblemsofinsufficientfeatureextractionandignoringtimeseriesinformationu-singconvolutionalneuralnetwork(CNN)toextractfeaturesofsurfaceelectromyography(sEMG)ges-turerecognition,resultinginlo...
