融合动态Adam优化的双流RNN手势分类方法

刘庆江; 韩团军; 李凯阳

doi:10.12404/j.issn.1671-1815.2501951

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (7) :2968-2976 DOI: 10.12404/j.issn.1671-1815.2501951

自动化技术、计算机技术

融合动态Adam优化的双流RNN手势分类方法

作者信息 +

Two-stream RNN Gesture Classification Method Based on Dynamic Adam Optimization

Author information +

文章历史 +

摘要

为了提高手势识别准确率,提出了一种基于动态Adam优化的双流递归神经网络(recurrent neural network,RNN)架构,用于表面肌电信号(surface electromyography,sEMG)手势分类任务。该系统通过双流RNN分别捕获sEMG信号的时空特征,并引入动态Adam优化器自适应调整学习率,显著提升了分类精度与模型收敛速度。在对比实验中,所提模型的准确率达到92.86%,相较于传统算法及单流RNN模型提升了10%以上,具有较好的分类性能和良好的泛化能力。实验结果充分验证了模型在sEMG手势识别任务中的有效性与优越性,为高精度、鲁棒性强的肌电交互系统提供了有力的技术支撑。

Abstract

In order to improve the accuracy of gesture recognition, a two-flow recurrent neural network (RNN) architecture based on dynamic Adam optimization was proposed for gesture classification of surface electromyography (sEMG). The two-flow RNN was used to capture the spatiotemporal characteristics of sEMG signals, and the dynamic Adam optimizer was introduced to adjust the learning rate adaptively, which significantly improvesd the classification accuracy and model convergence speed. In the comparison experiment, the accuracy of the proposed model reaches 92.86%, which is more than 10% higher than that of traditional algorithms and single-stream RNN model, and has good classification performance and good generalization ability. The experimental results fully validate the effectiveness and superiority of the proposed model in sEMG-based gesture recognition, providing strong technical support for high-accuracy and robust electromyography-based interactive systems.

Graphical abstract

关键词

动态Adam优化 / 双流循环神经网络 / 多模态手势分类 / 时空特征融合 / 实时动作识别

Key words

dynamic Adam optimization / double-flow recurrent neural network / multimodal gesture classification / spatio-temporal feature fusion / real-time action recognition

引用本文

引用格式 ▾

刘庆江, 韩团军, 李凯阳. 融合动态Adam优化的双流RNN手势分类方法[J]. 科学技术与工程, 2026, 26(7): 2968-2976 DOI:10.12404/j.issn.1671-1815.2501951

LIU Qing-jiang, HAN Tuan-jun, LI Kai-yang. Two-stream RNN Gesture Classification Method Based on Dynamic Adam Optimization[J]. Science Technology and Engineering, 2026, 26(7): 2968-2976 DOI:10.12404/j.issn.1671-1815.2501951

登录浏览全文

4963

注册一个新账户忘记密码

随着人机交互技术的不断发展,手势识别技术因其直观、自然的交互方式受到了广泛关注。手势识别作为人机交互的核心技术,由视觉感知和生物电信号感知两大技术组成。视觉感知在手势识别中具有非接触、直观、成本低及广泛应用场景的优点,但易受光照、遮挡等环境影响,并且对细微动作较难捕捉;相比之下,采集表面肌电信号的手势分类不受环境条件限制,适合隐蔽控制和捕捉细微动作,提供更高的稳定性。

近年来生物传感器和深度学习技术的快速发展,肌电信号已被广泛应用于人机交互和手势识别领域。其中,崔冰艳等^[1]提出了一种GA-BP(genetic algorithm-back prpagation)算法进行手势识别,准确率达到了88.6%;胡学政等^[2]提出了迁移学习的方式进行手势识别,准确率达到了92%;姜海燕等^[3]和汪文淼等^[4]均采用了VMD(variational mode decomposition)对肌电信号进行分解,准确率为92%;Jiang^[5]等建立了IMU(inertial measurement unit)和sEMG(surface electromyography)信号的手势识别模型;Luo等^[6]提出了一种基于ResNet50的InRes-ACNet模型,显著提升了肌电信号中的手势识别性能。Dai等^[7]则从开放集手势识别的角度出发,提出了一种基于变分自编码器的全新方法,有效识别未知手势;Liu等^[8]设计了基于关系网络架构的表面肌电关系网络,实现了高效的手势识别。Aly等^[9]重点关注特征提取对手势识别准确性的影响,引入了信号变换器,显著提升了手势识别的准确性和用户体验。

尽管已有研究取得了一定进展,但在实际应用中仍面临诸多挑战。表面肌电信号(sEMG)易受噪声干扰,个体差异较大,导致分类性能不稳定^[10],使得在处理复杂手势和动态手势时,往往难以达到理想的识别效果。近年来,循环神经网络(recurrent nearal networks,RNN)因其强大的时序数据处理能力,在sEMG手势分类研究中展现出独特优势。Zafar等^[11]、Siu等^[12]、Ning等^[13]均使用RNN循环神经网络对表面肌电信号进行了识别,说明RNN能够有效捕捉时间序列中的长期依赖关系,成为分析表面肌电信号(sEMG)的理想模型。

本文研究目的为基于RNN与Adam优化器进一步优化手势分类算法。通过结合RNN的时序特征提取能力和Adam优化器的高效参数更新机制,在提升手势分类准确性的同时,增强算法的鲁棒性和适应性。

1 实验数据采集

使用双通道肌肉电信号采集传感器作为数据采集工具,并分别邀请了5位年龄介于22~25岁的男性研究生和女性研究生参与作为研究对象。所有参与者均身体健康,没有肌肉损伤史,在实验前48 h内未进行过剧烈的身体活动。实验准备材料包括医用酒精、脱毛刀及去角质磨砂膏。为了确保数据的准确性,在固定传感器之前,首先利用医用酒精清洁将要贴放传感器的肌肉区域,然后通过磨砂膏去除皮肤表面的角质层,最后使用脱毛刀清除该区域的毛发以降低可能的干扰因素。所有志愿者都是在充分了解实验设计和目的之后,自愿签署了知情同意书。佩戴接线图如图1所示。

实验中选定了五种手部动作:右旋手掌、握拳、四指上弯、八字手势和六字手势。这些动作能够激发较强的肌肉活动,有助于提高所采集数据的准确性,并且为后续的手势分类提供更高的精度。五种手势图如图2所示。

2 实验数据处理

2.1 预处理

sEMG信号频谱范围通常为50~300 Hz,信号采集过程中,容易受运动伪迹、心电信号和呼吸信号的干扰。设计首先采用二阶巴特沃斯带通滤波器(30~350 Hz)去除心电信号和呼吸信号的干扰。使用50 Hz的陷波滤波器去除工频干扰。由于sEMG信号是时间序列信号,并且在采集过程中肌肉可能处于静息状态,因此采用滑动窗口方法对数据进行活动段提取。设置时间窗口长度为1 000 ms,滑动窗口长度为500 ms,以避免数据丢失。滤波前后对比情况如图3所示。

2.2 特征值提取

为了有效降低数据的维度并提高模型的训练效率,对数据进行特征提取。设计采用具有重叠时间窗对数据进行特征值提取,分别提取时域和频域特征^[14]。时域特征值主要包含均值(mean)、方差(variance)、最大值(max)、最小值(min)、均方根(root mean square,RMS)、过零率(zero crossing rate)、能量(energy)。频域特征值主要包含功率谱密度(power spectral density)、峰度(kurtosis)、偏度(skewness)。各特征值具体计算公式如下。

均值(mean):表示信号值x_i的平均值,反映了信号的中心趋势。计算公式为

(1)mean=$\frac{1}{N}\sum _{i=1}^{N}$x_i

方差(variance):表示信号值的离散程度,反映了信号值相对于均值的波动情况。计算公式为

(2)variance=$\frac{1}{N}\sum _{i=1}^{N}({x}_{i}{-\mu )}^{2}$

最大值(max):表示信号的最大值,反映了信号的最大幅值。表达式为

(3)max=max(x_i)

最小值(min):表示信号的最小值,反映了信号的最小幅值。表达式为

(4)min=min(x_i)

均方根(root mean square,RMS):表示信号的均方根值,反映了信号的能量。计算公式为

(5)RMS=$\sqrt{\frac{1}{N}\sum _{i=1}^{N}{x}_{i}^{2}}$

过零率(zero crossing rate,ZCR):表示信号穿越零点的频率,反映了信号的变化速率。计算公式为

(6)ZCR=$\frac{1}{N-1}\sum _{i=1}^{N-1}$(x_ix_i_-1<0)

能量(energy):表示信号的总能量,反映了信号的强度。计算公式为

(7)energy=$\sum _{i=1}^{N}{x}_{i}^{2}$

功率谱密度(power spectral density,PSD):表示信号在频域上的功率分布,反映了信号的频率f能量x(f)。计算公式为

(8)$\begin{array}{c}PSD\left(f\right)\end{array}$=$\frac{{\left|x\left(f\right)\right|}^{2}}{N}$

峰度(kurtosis):表示信号分布的尖锐度,正值表示尖峰,负值表示平顶。计算公式为

(9)kur=$\frac{1}{N}\sum _{i=1}^{N}{\left(\frac{{x}_{i}-\mu }{\sigma }\right)}^{4}$-3

偏度(Skewness):表示信号分布的不对称性,正值表示右偏,负值表示左偏。计算公式为

(10)

$\begin{array}{c}ske=\frac{1}{N}\end{array}\sum _{i=1}^{N}{\left(\frac{{x}_{i}-\mu }{\sigma }\right)}^{3}$

式中:N为样本总数;μ为样本均值;σ为样本标准差。

2.3 归一化

特征值x提取完成后,需要对其进行归一化处理,以确保这些特征值能够有效地用于后续的模型训练和分类任务。使用的方法为最小-最大归一化,将特征值缩放到[0,1]范围内,使不同特征具有相同的数据范围,从而提高模型的训练效率和分类性能。具体计算公式为

(11)$\begin{array}{c}x\text{'}\end{array}$=$\frac{x-min\left(x\right)}{max\left(x\right)-min\left(x\right)}$

2.4 RNN及Adam优化器分类模型的构建

2.4.1 RNN基本原理

RNN是一类主要用于处理时间序列数据的神经网络架构,能够通过隐藏层捕捉序列中的时间依赖关系。通过引入循环结构,使sEMG数据信息可以从前一个时刻传递到当前时刻。在每个时间步,RNN接受一个输入向量和前一时刻的隐藏状态,具有记忆性。隐藏层会计算当前时刻的隐藏状态,并传给下一个时刻。最后RNN根据隐藏状态生成输出。

2.4.2 RNN网络模型与数学表达

(1)隐藏层更新:在每个时间步t,隐藏层的状态h_t更新公式为

(12)$\begin{array}{c}{h}_{t}\end{array}$=f(W_hh_t_-1+W_xx_t+b)

式(12)中:h_t为当前时间步的隐藏状态;x_t为当前时间步的输入;W_h为隐藏状态到隐藏状态的权重矩阵;W_x为输入到隐藏状态的权重矩阵;b为偏置项;f(·)为激活函数ReLU。

(2)输出层更新:使用softmax进行多分类,在每个时间步t,输出y_t公式为

(13)y_t=g(W_yh_t+c)

式(13)中:y_t为当前时间步的输出;W_y为隐藏状态到输出的权重矩阵;c为偏置项;g(·)为激活函数。

(3)初始状态初始隐藏状态h₀通常初始化为零向量,即

(14)h₀=0

2.4.3 RNN网络模型训练过程

(1)前向传播:前向传播过程中,RNN依次处理每个时间步的输入,并计算相应的隐藏状态和输出。即

(15)h_t=f(W_hh_t_-1+W_xx_t+b)

(16)y_t=g(W_yh_t+c)

(2)损失计算:使用交叉熵损失函数L,则对于每个时间步t的损失可以表示为

(17)L_t=-$\sum _{i=1}^{C}$y_t_,_iln(${\hat{y}}_{t,l}$)

式(17)中:y_t_,_i为真实标签向量中的第i个元素;

${\hat{y}}_{t,i}$

为模型预测的概率向量中的第i个元素;C为类别数。

(3)反向传播与梯度更新:反向传播通过时间的反向传播(backpropagation through time, BPTT)来更新权重。BPTT将整个序列视为一个展开的网络,然后对每个时间步的梯度进行计算和累积。

计算梯度公式为

(18)

$\left\{\begin{array}{l}\frac{\partial L}{\partial {W}_{y}}=\frac{\partial L}{\partial {y}_{t}}\frac{\partial {y}_{t}}{\partial {W}_{y}}\\ \frac{\partial L}{\partial {h}_{t}}=\frac{\partial L}{\partial {y}_{t}}\frac{\partial {y}_{t}}{\partial {h}_{t}}\\ \frac{\partial L}{\partial {W}_{x}}=\frac{\partial L}{\partial {h}_{t}}\frac{\partial {h}_{t}}{\partial {W}_{x}}\\ \frac{\partial L}{\partial {W}_{h}}=\frac{\partial L}{\partial {h}_{t}}\frac{\partial {h}_{t}}{\partial {W}_{h}}\\ \frac{\partial L}{\partial b}=\frac{\partial L}{\partial {h}_{t}}\frac{\partial {h}_{t}}{\partial b}\end{array}\right.$

累积梯度公式为

(19)

$\left\{\begin{array}{l}\frac{\partial L}{\partial {W}_{y}}=\sum _{t=1}^{T}\frac{\partial {L}_{t}}{\partial {W}_{y}}\\ \frac{\partial L}{\partial {W}_{x}}=\sum _{t=1}^{T}\frac{\partial {L}_{t}}{\partial {W}_{x}}\\ \frac{\partial L}{\partial {W}_{h}}=\sum _{t=1}^{T}\frac{\partial {L}_{t}}{\partial {W}_{h}}\\ \frac{\partial L}{\partial b}=\sum _{t=1}^{T}\frac{\partial {L}_{t}}{\partial b}\end{array}\right.$

更新权重公式为

(20)

$\left\{\begin{array}{l}{W}_{y}={W}_{y}-\alpha \frac{\partial L}{\partial {W}_{y}}\\ {W}_{x}={W}_{x}-\frac{\partial L}{\partial {W}_{x}}\\ {W}_{h}={W}_{h}-\frac{\partial L}{\partial {W}_{h}}\\ b=b-\alpha \frac{\partial L}{\partial b}\end{array}\right.$

2.4.4 Adam优化器原理

Adam优化器结合了动量法的思想,通过累积过去的梯度来加速收敛。

(1)动量项更新:动量项m_t的更新公式为

(21)m_t=β₁m_t_-1+(1-β₁)g_t

式(21)中:m_t为动量项;β₁为动量衰减率,设置为0.9;g_t为当前时间步的梯度。通过自适应地调整学习率来减少梯度的方差。

(2)均方根项更新:均方根项v_t的更新公式为

(22)v_t=β₂v_t_-1+(1-β₂)${g}_{t}^{2}$

式(22)中:v_t为均方根项;β₂为均方根衰减率,通常设置为0.999;g_t为当前时间步的梯度。

(3)偏差纠正:为了纠正初始阶段的偏差,Adam优化器对动量项和均方根项进行偏置校正,表达式为

(23)

$\left\{\begin{array}{l}{\hat{m}}_{t}=\frac{{m}_{t}}{1-{\beta }_{1}^{t}}\\ {\hat{v}}_{t}=\frac{{v}_{t}}{1-{\beta }_{2}^{t}}\end{array}\right.$

(4)参数更新:最终,参数θ的更新公式为

(24)θ_t=θ_t_-1-α

$\frac{{\hat{m}}_{t}}{\sqrt{{\hat{v}}_{t}}+\epsilon }$

式(24)中:α为学习率,通常设置为0.001;ε为一个小常数,用于防止除零错误,设置为1×10^-8。

2.4.5 Adam优化的双流RNN架构

Adam结合动量法与自适应学习率机制,解决了模型因固定学习率导致的收敛速度慢、易陷入局部最优的问题。Adam通过一阶矩(均值)和二阶矩(方差)的偏差修正,缓解了疏场景下的学习率骤降问题。双流结构分别处理sEMG信号的时域动态特征(如肌肉激活时序)与频域能量分布,通过特征融合增强模型表达能力。并且双流结构的特征分离机制减少了过拟合风险。因此在sEMG这类时间依赖性强的生物信号中,双流RNN相对于其他传统模型具有一定的优势。

RNN算法通过引入循环连接,能够捕捉手势数据序列中的时间依赖性且Adam优化器能够加速模型的收敛速度,提高RNN模型的性能。RNN分类模型及Adam优化器的构建流程图如图5所示。

3 实验结果分析

3.1 实验参数设置

将预处理后的数据输入到构建好的RNN模型中后,选择适合的网络结构,并使用Adam优化器进行编译。然后,通过多次迭代训练模型,以最小化损失函数,不断调整模型参数。这一过程能够有效提取sEMG信号的时序特征,实现手势识别。算法模型的基本参数如表1所示。

3.2 模型性能对比分析

经滤波后,总共提取手势1~手势5共5种sEMG信号数据样本数量7 265、8 211、8 230、9 673、7 349,共40 728个。经特征值提取后,每组动作各74组数据,则5个动作共370组数据,然后按照80%和20%的比例将其分为训练集和测试集,分别进入所建立好的RNN、RNN-Adam模型中进行测试和训练。两个模型在相同数据集上的分类准确率如表2所示。

由表2可知,与RNN模型相比,RNN-Adam模型中训练集和测试集的准确率分别提高了14.29%和20%。这一实验结果表明,在RNN的分类框架上,采用Adam优化器来加速模型训练过程,能大大提高系统的稳定性和准确性。为直观展示分类细节,如图6和图7所示分别展示了RNN和RNN-Adam模型中训练集和测试集的分类结果。

3.3 训练过程与收敛性分析

如图8所示为模型在不同训练轮次中的性能变化。随着迭代次数的增加,模型的准确率逐步提高,并最终趋于稳定。在迭代30~50次,模型的准确率达到了最高值,显示出最佳的训练效果。

为了分析训练次数对模型准确率影响,实验使用了5、10、30、50、70、100次迭代进行模型训练,记录每次训练的最高准确率。实验结果如表3所示,

数据表明模型的最高准确率在30~50次训练范围内达到最佳。随着训练次数的增加,模型的准确率在初期迅速提高,超过30次迭代后,准确率趋于稳定,在50次左右达到了峰值。训练次数高于50次增加训练次数对准确率的提升作用逐渐减弱,甚至出现了下降趋势。由图8可知,RNN-Adam系统的整体识别准确率处于较高水平,识别准确率主要集中在78.57%~92.86%,其中训练次数30~50次实验结果最为理想,平均准确率为92.86%,为了防止出现欠拟合和过拟合的现象,以及减少训练时间和提高整体识别准确率,最终将训练次数设定为50次。不同训练次数的混淆矩阵如图9所示。

在训练初期,训练集和验证集的准确率较低,随着训练进行到第20个轮次后,准确率逐渐上升并趋于稳定,手势分类模型逐步收敛。训练和验证损失以及准确率的曲线表明,模型未出现显著的过拟合现象。训练和验证损失在初期迅速下降,并在后期趋于稳定;同时,训练和验证准确率也快速上升并逐渐稳定。图9与表3清晰地展示了模型在训练过程中的良好表现,表明模型在学习过程中效果显著,且未出现明显的过拟合或欠拟合情况。训练集和验证集准确率和损失图如图10所示。

3.4 与现有技术性能的比较

除此之外,为了进一步地研究所提出RNN-Adam模型的效果,还与传统机器学习的手势识别方法进行对比。游昌欣等^[15]针对肌电信号手势识别中存在的训练时间长、数据量大、识别准确度低等问题,运用迁移学习理论对长短期记忆网络(long short-term memory,LSTM)算法模型进行改进,通过预训练迁移策略显著提升了识别效果和训练效率。杨旭升等^[16]针对表面肌电信号解码模型缺乏时空信息的问题,提出了一种基于循环时空深度神经网络的手势识别模型,通过多通道卷积神经网络和双向循环神经网络的结合,显著提高了解码精度和鲁棒性。王慧等^[17]在卷积神经网络基础上增加长短时记忆网络处理层,利用小波包特征图像和注意力机制,提升了识别准确率。王万良等^[18]提出了基于双分支网络的表面肌电信号识别方法,通过加强二维化特征和多层卷积神经网络与双向门控循环单元的结合,引入自适应特征融合机制,显著提高了识别准确率。谷学静等^[19]提出了一种多流卷积融合的深度学习方法,通过多流卷积网络对手臂肌肉区域间的肌电信号进行特征提取和融合,提升了手势识别的准确率。各类传统表面肌电信号分类算法模型如表4所示。

不难看出,在最终识别准确率上,RNN-Adam网络融合模型的效果要远高于传统机器学习方法,动态Adam优化的双流RNN架构通过自适应学习率优化、双流特征融合和动态调整,在训练效率、模型性能和场景适应性上超越了传统算法,这一架构尤其适合需要处理复杂序列、多模态数据或实时动态场景的任务,为现代深度学习应用提供了高效可靠的解决方案。模型准确率对比图如图11所示。

4 结论

提出了一种基于动态Adam优化的双流循环神经网络架构,旨在解决传统序列建模方法中存在的学习率调整僵化、上下文依赖捕捉不足及多模态特征融合效率低等问题。通过结合Adam优化器的自适应学习率机制与双流RNN的并行特征提取能力,该架构在对比多种传统算法上体现了显著的性能提升。实验结果表明,动态Adam优化策略有效加速了模型收敛速度,并解决了传统优化方法易陷入局部最优的缺陷;同时,双流结构通过双向信息交互与多模态特征融合,显著增强了模型对长序列依赖关系和非平稳数据的建模能力。实验表明,相较于传统算法(如CNN、KNN、J48、SVM)及单流RNN模型,本方法的准确率分别提高了6.33%、11.54%、15.02%、10.45%、14.29%,达到了92.86%,验证了其优越性。

尽管sEMG手势分类研究领域取得了诸多成果,但仍存在一些挑战和问题。首先,如何提高肌电信号的信噪比和稳定性,特别是在动态和长时间使用场景下,仍是一个重要问题。其次,个体差异和环境因素对肌电信号的影响需要进一步研究,以提高算法的泛化能力。此外,如何将肌电信号与其他生物信号(如脑电、心电)融合,实现更全面的人体状态评估,也是一个值得探索的方向。

未来,随着电子技术、人工智能算法和无线传输技术的发展,肌电信号的应用将更加广泛和深入。因此,对于sEMG手势分类研究的深入探索,具有重要的理论和实际意义,有望进一步提升手势识别的准确性和实用性,推动该领域的进一步发展。该研究不仅有助于推动sEMG手势识别技术的实用化进程,还将为智能假肢、康复机器人等人机交互领域的应用提供有力支持,具有重要的理论意义和应用价值。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	崔冰艳, 张祥, 邓嘉. 基于GA-BP的表面肌电信号下肢动作模式识别研究[J]. 传感器与微系统, 2024, 43(9): 63-67.

[2]	Cui Bingyan, Zhang Xiang, Deng Jia. Research on lower limb motion pattern recognition by sEMG signals based on GA-BP[J]. Transducer and Microsystem Technologies, 2024, 43(9): 63-67.

[3]	胡学政, 陶庆, 赵暮超, 等. 采用迁移学习的表面肌电信号手势识别方法[J]. 科学技术与工程, 2024, 24(12): 5044-5050.

[4]	Hu Xuezheng, Tao Qing, Zhao Muchao, et al. sEMG gesture gecognition method using transfer learning[J]. Science Technology and Engineering, 2024, 24(12): 5044-5050.

[5]	姜海燕, 许先静, 钟凌珺, 等. 采用变分模态分解与领域自适应的表面肌电信号手势识别[J]. 西安交通大学学报, 2024, 58(5): 75-87.

[6]	Jiang Haiyan, Xu Xianjing, Zhong Lingjun, et al. Gesture recognition of surface electromyography based on variational mode decomposition and domain adaptation[J]. Journal of Xi'an Jiaotong University, 2024, 58(5): 75-87.

[7]	汪文淼. 基于VMD-ELMAN的肌电信号对下肢关节角度预测[J]. 计算机科学, 2024, 51(3): 257-264.

[8]	Wang Wenmiao. Prediction of lower limb joint angles based on VMD-ELMAN Electromyographic Signals[J]. Computer Science, 2024, 51(3): 257-264.

[9]	Jiang Y J, Song L, Zhang J M, et al. Multi-category gesture recognition modeling based on sEMG and IMU signals[J]. Sensors, 2022, 22(15): 5855-5855.

[10]	Luo X, Huang W, Wang Z, et al. InRes-ACNet: gesture recognition model of multi-scale attention mechanisms based on surface electromyography signals[J]. Applied Sciences, 2024, 14(8): 3237.

[11]	Dai Q, Wong Y, Kankanhalli M, et al. Rejecting unknown gestures based on surface-electromyography using variational autoencoder[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2024, 32: 750-758.

[12]	Liu Y C, Lai K. Surface electromyography relation network[J]. 2024 IEEE International Conference on Advanced Robotics and Its Social Impacts (ARSO). New York: IEEE, 2024: 140-145.

[13]	Moslhi A M, Elmessiery M, Aly H H. The impact of feature extraction on classification accuracy examined by employing a signal transformer to classify hand gestures using surface electromyography signals[J]. Sensors (Basel, Switzerland), 2024(4): 1259.

[14]	崔冰艳, 邓嘉, 张祥. 基于表面肌电信号的手势识别方法[J]. 科学技术与工程, 2023, 23(35): 15133-15141.

[15]	Cui Bingyan, Deng Jia, Zhang Xiang. Hand gesture recognition based on surface electromyography[J]. Science Technology and Engineering, 2023, 23(35): 15133-15141.

[16]	Zafar A, Wasim M, Akram A B, et al. Prediction of perinatal depression among women in Pakistan using hybrid RNN-LSTM model[J]. PeerJ Computer Science, 2025, 11: 2673.

[17]	Siu M A, Vergara I, Rodríguez E H J. The use of hybrid CNN-RNN deep learning models to discriminate tumor tissue in dynamic breast thermography[J]. Journal of Imaging, 2024, 10(12): 329-329.

[18]	Ning J, Zhang W. Speech-based emotion recognition using a hybrid RNN-CNN network[J]. Signal, Image and Video Processing, 2024, 19(1): 124-124.

[19]	Nannen L, Wess M. A Krylov eigenvalue solver based on filtered time domain solutions[J]. Computers and Mathematics with Applications, 2024, 176: 179-188.

[20]	游昌欣, 韩晶, 常皓, 等. 基于迁移学习的肌电信号手势识别方法研究[J]. 中北大学学报(自然科学版), 2024, 45(4): 531-538.

[21]	You Changxin, Han Jing, Chang Hao, et al. Research on EMG signals gesture recognition based on migration learning strategy[J]. Journal of North University of China(Natural Science Edition), 2024, 45(4): 531-538.

[22]	杨旭升, 范京哲, 胡佛, 等. 一种基于循环时空深度神经网络的手势识别方法[J]. 传感技术学报, 2024, 37(2): 278-287.

[23]	Yang Xusheng, Fan Jingzhe, Hu Fo, et al. A gesture recognition method based on recurrent spatiotemporal deep neural networks[J]. Chinese Journal of Sensors and Actuators, 2024, 37(2): 278-287.

[24]	王慧, 张玭, 金丰护, 等. 基于卷积神经网络和长短时记忆网络的心理疲劳状态识别方法[J]. 生物医学工程学杂志, 2024, 41(1): 34-40.

[25]	Wang Hui, Zhang Pin, Jin Fenghu, et al. Mental fatigue state recognition method based on convolution neural network and longshort-term memory[J]. Journal of Biomedical Engineering, 2024, 41(1): 34-40.

[26]	王万良, 潘杰, 王铮, 等. 基于双分支网络的表面肌电信号识别方法[J]. 浙江大学学报(工学版), 2024, 58(11): 2208-2218, 2229.

[27]	Wang Wanliang, Pan Jie, Wang Zheng, et al. Recognition method of surface electromyographic signal based on two-branch network[J]. Journal of Zhejiang University(Engineering Science), 2024, 58(11): 2208-2218, 2229.

[28]	谷学静, 沈攀, 刘海望, 等. 表面肌电信号的多流卷积网络融合手势识别方法[J]. 计算机应用与软件, 2022, 39(8): 220-225.

[29]	Gu Xuejing, Shen Pan, Liu Haiwang, et al. Gesture recognition based on multi-stream convolutional network for surface emg signal[J]. Computer Applications and Software, 2022, 39(8): 220-225.

基金资助

国家自然科学基金(61972239)

陕西省教育厅专项科学研究计划(18JK0160)

陕西省教育厅专项科学研究计划(18JK0154)

陕西理工大学科研基金(SLGRCQD2009)

PDF (10833KB)

访问

被引

详细

导航

Received	Published	Revised
2025-03-22	2026-03-08	2025-12-05
Online Date
2026-07-09

摘要