换一批摘要表面肌肉电信号能快速准确地反映人体的运动意图,通过表面肌肉电信号进行手势识别在康复机器人人机交互领域有广泛研究.针对目前使用长短期记忆(LSTM)神经网络的手势识别算法分类准确率低,粒子群优化(PSO)算法存在全局搜索能力不足、易陷入局部最优的问题,研究了基于改进粒子群优化长短期记忆(IPSO-LSTM)神经网络的表面肌肉电信号手势识别方法.使用主成分分析(PCA)方法对表面肌肉电信号特征进行选择,选择贡献率高的特征组合作为特征空间,并作为IPSO-LSTM模型的输入;采用线性递减惯性权重和非对称学习因子对PSO进行改进,增加PSO算法对全局的搜索能力.将IPSO-LSTM模型与粒子群优化长短期记忆(PSO-LSTM)神经网络和长短期记忆神经网络进行识别准确率的实验对比.实验结果表明:IPSO-LSTM模型的平均识别准确率为 96.9%,比PSO-LSTM和LSTM的识别准确率分别提高了 7.0%和 2.9%,在表面肌电(sEMG)信号手势识别分类中采用IPSO-LSTM模型具有优势.
更多相关知识
关键词
手势识别表面肌电(sEMG)信号粒子群优化算法(PSO)主成分分析(PCA)gesture recognitionsurface electromyogram(sEMG)particle swarm optimization algorithm(PSO)principal component analysis(PCA)
DOI
10.19573/j.issn2095-0926.202404002
发布时间
2025-02-19（万方平台首次上网日期，不代表论文的发表时间）
基金项目
天津市教委科研计划项目（2022ZD035）
- 浏览3
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
