罗利梦，许芷毓，谢晓辉，李磊
（西南民族大学，成都610225）
摘要：在当前科学技术快速发展的大背景下，通过应用卷积神经网络原理，能够将表面肌电信号的手势通过一维多通道的方式识别出来，避免在前期采用复杂的方法对表面信号进行预处理以及对信息采用手工提取方法所花费的时间。基于此，以右手为活动手，分析了握拳、向左、向右以及展拳4种手势时的表面肌电信号。将不同手势的肌电信号进行标记，生成信号长度不同的8通道信号训练集和测试集，并借助卷积神经网络的相关原理分析了卷积状态下的采样。借助相关研究后通过卷积神经网络的应用，能够实现卷积神经网络表面肌电信号的高效处理，从而实现对手势信号的识别，且识别率能够满足具体使用需求，因此其在实际工作中应用是有价值的。
关键词：卷积神经网络；表面肌电信号；手势识别
1概述
肌电信号，经过多年医学研究证明，它是一种随着机体肌肉收缩运动产生的生物电信号，而在对机体肌电信号进行采集时，机体皮肤表面的肌电信号则被称之为表面肌电信号。在肢体的不同运动模式下，肌
肉进行收缩运动的模式各不相同，因此，借助对机体表面肌电信号的分析和处理，便能够实现对机体实际运动情况的获取。当前，通过对表面肌电信号进行研究，能够帮助医疗研究人员对肢体运动功能障碍疾病进行诊断及康复。
当前，针对表面电信号的手势识别研究主要集中在肌电信号预处理、肌电信号特征的体以及对肌电信号模型进行分类等3个方面。以下将从这3个方面对肌电信号的研究进行详细说明：首先，对信号进行预处理，即通过降维以及滤波分析等手段来对表面肌电信号进行预先处理，使得后续的肌电信号特征分析工作能够更加简便地进行。信号特征提取，顾名思义就是指从信号的时域和频率中对信号典型向量进行提取。当前，已经有诸多研究表明表明肌电信号进行模式识别的方法多种多样，在实际进行特征提取的过程中，可以根据肌电信号的不同特点选择相应的提取方法。
近年来，神经网络技术的快速发展提升了人们对表面肌电信号特征提取及处理的重视。早在二十世纪中期，美国生物学家卫斯理在对猫脑皮层中用于不敏感的神经元进行特征分析时，就已经发现猫大脑皮层中各个网络节点的特殊连接方式能够简化神经反馈流程，并在此基础上提出了卷积神经网络了的概念。随着科学技术的不断发展以及对卷积神经网络研究的不断深入，现阶段，对卷积神经网络的研究热点主要集中在如何对常见的卷积神经网络模式进行分类方面。卷积神经网络能够有效规避对图像前期复杂的处理工作，因此通过将其应用于肌电信号图像处理，能够把原始的数据直接导入分析设备中，避免了对数据进行提取以及重建等一系列复杂的工作流程，同时，其识别效果也非常令人满意。
有数据资料显示，借助卷积神经网络来进行手写字符的识别，识别率远高于预期。以英国著名生物学家李斯特提出的LeNet为代表的卷积神经网络，能够进行多种多样图像的识别，因此当前被认为是通用图像识别系统的代表之一O
通过对卷积神经网络进行表面肌电信号的手势识别来分析其在信号处理及识别方面存在的优势。和传统的肌电信号识别方式相比，该种方法能够省略对信号的预处理以及特征提取等繁琐的工作，直接通过以为多通道来对信号进行卷积以及采样，并通过这些获取的结果来进行手势分类，显著提升了工作效率，因此在实际行业中具有极高的应用价值。
2卷积神经网络
卷积神经网络，其研发基础是人工神经网络，通过
基金项目：西南民族大学大学生创新创业训练计划项目（项目编号：S202010656090）资助。
作者简介：罗利梦（2000-），女，本科，研究方向：计算机技术
。
SreeaeBBHI*>SBSI3EIEIEIEIffiEBBI!IBBBeaeBI3BigBlslBBai3IIBBEISBHI3glBBIIIIIIBSSI3aBIIIglEISa3BEIQISB>E 实用第一f智慧密集
将其应用于图像的处理等方面，能够实现多维复杂图像的处理，由于具有的神经网络层数较多，因此它还包括卷积层和下采样层两个小层别。卷积层又称为特征提取层，卷积层的输出是通过线路上的核心处理工具来对上基层的输入信息进行卷积，通常情况下，一个卷积层上通常具备多个多个和新设备，通过核心设备的应用能够对卷积层本层和上层的信息进行处理。而下采样层由于能够实现对上层的有效映射，因此它也被称为特征映射层。该层承担着对上层图像信息进行映射，使之在另一个平面表现的作用。和传统的人工神经网络相比，卷积神经网络具有更加明显的优势，具体来说，它能够最大程度地降低网络对手势信号识别的干扰，提升算法计算结果的速度。
应用的卷积网络神经不仅仅进行二维图像的处理，而是更多地应用一维多通道来对机体表面肌电信号
进行信号提取以及分类，从而对手势信号进行详细的划分。通过应用卷积神经网络来对表面肌电信号进行处理时，所涉及的网络结构有卷积层、回归层以及下采样层。
3卷积神经网络的特征
3.1卷积神经网络的稀疏连接
卷积神经网络是通过向前传播得到网络输出值，利用反向传播对权重和偏置进行调整，这种计算过程与BP神经网络相似。其不同点在于，BP神经网络中的神经元连接是按照每层所有神经元与上层所有神经元相连接，而卷积神经网络中是每层神经元与上层的一部分神经元进行连接，这种局部连接的方式降低了神经网络中的参数数量，实现了网络运行操作的简化。
3.2卷积神经网络的权重共享
卷积神经网络每层均是由多个特征映射构成的，这些特征映射又是由多个神经元构成，在这些特征映射之间有不同的卷积核，而且同一个特征映射图中的所有神 经元公用的是同一个卷积核，因此在卷积神经网络中有权重共享的特点。
3.3卷积神经网络的池化采样
在卷积神经网络中，图像特征主要是由卷积核与训练样本卷积操作获得。首先是提取图像的特征，然后将获取的图像特征输入到分类器中来对其进行分类。对于卷积神经网络来说，图像特征是由卷积核以及训练样本的卷积操作来获取的。和传统的BP神经网络相比，卷积神经网络的计算能够减少大量的参数加入，但是计算量仍然非常巨大。
对于一幅图像来说，其某个区域有用的特征在另一区域也同样使用，因此在对较大的图像进行描述时，可以对图像不同位置的特征进行计算，然后进行聚合统计。举例来说，可以借助图像某一个区域上需要研究对象的最大值或者平均值。和原始的提取数据相比，这种概要统计特征的维度更低，同时不容易出现过拟合的情况，因此将这种聚合操作叫做池化采样。根据计算池化方法的不同，池化采样可以分为最大池化以及平均池化两种类型。
对于卷积神经网络来说，由于其卷积层和下采样层、即池化层处于交替设置的状态，也就是说，一层卷积层的下层必然是一层下采样层，而一层下采样层后连接的也是卷积层。采样主要是为了混淆特征的具体位置，明确特征和其他特征之间的相对位置。
4实验仿真以及实验结果分析
4.1实验数据
选择某公司的手势控制臂环来进行用户表面肌电信号的八通道采集。手势控制闭环借助手势臂环的肌肉脉冲探测模块，将臂环所探及的生物电信号以其幅度的形式记录下来。然后在采集时间上加入一个N*10矩阵的文档文件。
在具体进行实验的过程中，通过将手势控制臂环和电脑设备使用蓝牙进行连接，能够将受试者右手的4种不同手势表面肌电信号进行采集，常见的4种手势分别为握拳、向左、向右以及展开。
4.2实验结果
在实验过程中，采用的卷积神经网络包含两层卷积层、两层下采样层以及一层回归层。将输入的8通道表面肌电信号进行时域内的卷积变换，然后将其进行采样后再交予下一层进行输入，经过两次卷积层和下采样层 之后获取信号的特征，将其用于回归分析，然后借助BP神经网络来对模型进行分类。
通过将获取的数据置入到不同类别的卷积层神经网络结构中，能够获取到完全不同的结果，具体来说，不同类别的卷积神经网络层对8通道的表面肌电信号识别率均较高，这意味着借助卷积神经网络来进行集体表面肌电信号的识别、获取相应的数据信息是非常有价值的。而当信号长度超过300后，卷积神经网络的手势信（下转第163页
）
术在保障计算机网络的稳定性、安全性等方面发挥重要作用，复合技术将代理服务器与过滤技术有机融合起来，通过开启对应的稳定防护模式，成功地解决掉计算机网络中存在的各种安全隐患。在计算机网络安全管理中，通过应用复合技术，能够达到多级防御的目的，以便第一时间发现不安全因素，从而避免了这些因素影响计算机网络安全性。另外，通过应用复合技术，还能实现全方位、多角度地保护计算机网络的目的，从而便于信息的传输与接收，增强了保护的强度。除此之外，复合技术还具有先进性、智能化等特征，能够有效掩盖重要信息，避免其他用户在使用过程中窃取重要信息[5]o
3结语
信息技术的诞生给人们的生产与生活带来了诸多便利，计算机也成为人们生活中不可或缺的部分，但是在应用计算机的同时，还必须做好网络安全防护，以免发生系统瘫痪、信息泄露等问题。而将防火墙技术应用在计算机网络安全中，通过借助过滤技术、日志监控、计
(上接第138页)
号识别率则开始降低。造成这种现象的主要原因是卷积神经网络所应用的学习算法手段是梯度下降的方法，因此随着输入数据信息的长度逐渐增加，需要计算的数据内容数量增加，因此学习效率以及获取信息的效率也会随之下降，最终影响实验的整体识别率。
因此可以说，卷积神经网络应用于一维多通道表面肌电信号的识别是可行的，同时，当输入信号的长度小于300时，其识别率非常令人满意，且当信号长度越短，卷积神经网络对表面肌电信号的识别速度就越快。当手势识别速度加快时，意味着卷积神经网络的实用性越高。
5结语
在当前对肌电信号进行手势识别研究越来越火热的背景之下，借助传统用于二维图像识别的卷积神经网络进行一维多通道手势信号的识别也是可行的，且能够获取较好的识别效果。通过该种算法的应用，能够有效规避对表面肌电信号复杂的处理过程，加速识别效率，提升其实用性，因此在未来必然会得到越来越多的应用。
参考文献
[1]张绪义，曹家乐.基于轮廓点掩膜细化的单阶段实
例分割网络[J/OL].光学学报，2020.算机访问策略、代理服务器防火技术、复合技术等实现计算机网络安全全方位、多角度的保护，从而有效保障网络的安全，避免计算机用户的信息安全遭受影响和财产遭受损失。
参考文献
[1]刘恩军.计算机网络安全中防火墙技术应用分析
[J].网络安全技术与应用,2020,(10)：34-35. [2]杜博杰，钟慧茹，葛运伟.计算机网络信息安全中
防火墙技术的有效运用分析[J].中国新通信, 2020,22(01)：154-155.
[3]邓伟.基于计算机网络安全中的防火墙技术应用研
究[J].福建茶叶，2020,42(02)：31.
[4]王艳.防火墙技术在计算机网络安全中的应用探究
[J].通讯世界，2020,27(02)：46-47.未识别的网络
[5]杨宗锋.基于计算机网络安全中的防火墙技术应用研
究[J].信息记录材料，2020,21(02)：209-210.
[2]伍思雨，冯骥.基于改进VGGNet卷积神经网络的
鲜花识别[J/OL].重庆师范大学学报(自然科学版)，2020.
[3]贾文珅，张恒之，马洁，梁刚，王纪华，刘鑫.基
于紫外-可见光谱与深度学习CNN算法的水质COD 预测模型研究(英文)[J].光谱学与光谱分析, 2020，40(09):2981-2988.
[4]彭洋，汪孟杰.基于卷积神经网络的车牌识别[J].
科技与创新，2020，(17):72-73.
[5]彭郴，吕学强，孙宁，张乐，姜肇财，宋黎.基于
CNN的消费品缺陷领域词典构建方法研究[J/OL].
数据分析与知识发现，2020.
[6]吴善子.基于人工智能的语义分析研究[J].电子
设计工程，2020，28(17):37-41.
[7]王倩，陈思远，赵晶辉，陈詰，李远非，何中华,
耿世英.基于大数据和人工智能的省域电网精准规划支持平台研究与实践[J].科学技术创新，2020,
(26):
86-89.
发布评论