融合注意力机制的多视图卷积手势识别研究

基于表面肌电信号（sEMG）的手势识别在人机交互中发挥着重要作用，然而，由于sEMG具有非线性和随机性，因此提升基于稀疏多通道sEMG的手势识别准确率难度较高。提出一种融合注意力机制的多视图卷积手势识别模型。首先使用200 ms滑动窗口提取经典的sEMG特征集构建多视图输入，其次利用高效通道注意力对多视图特征在通道维度进行加权，以强化有效特征同时弱化无效特征，最后通过多视图卷积从带有注意力权重的肌电特征中提取高层特征，利用高层特征融合模块对其进行融合以降低数据维度并提高模型鲁棒性。在NinaPro DB1、NinaPro DB5、NinaPro DB7 3个肌电公共数据集上进行训练和评估，结果表明，该模型在200 ms滑动采样窗口上的平均识别准确率分别为87.98%、94.97%和89.67%，整段手势动作的平均投票准确率分别为97.38%、98.41%和97.09%，平均信息传输率为1 308.71 bit/min。与传统机器学习方法和近年来前沿的深度学习手势识别方法相比，所提模型在单模态肌电和多模态手势识别上均具有更高的识别准确率，验证了其有效性和通用性。