随着人机交互技术广泛应用于手语识别、智能假肢的控制、康复骨骼等领域,肌电信号成为研究热点,为了能够实现对人的运动意图进行更准确的识别,来预先判决人的手势动作,并可以提前做出反应,主要方法是通过应用肌电信号,运用深度学习网络进行识别分类。基于表面肌电信号(s EMG)和模式识别的自然控制方法对于手部智能假肢是很有前景的。但是科学研究所提供的控制稳健性仍然不足以用于许多现实生活中,而商用假肢仅能对少数动作提供自然控制。近年来,随着深度学习技术的广泛应用,包括计算机视觉和语音识别等多个机器学习领域已被深度学习彻底改变了。本文是基于探索使用大量完整受试者和截肢者受试者通过肌电信号控制机器人手方法的应用背景,对基于深度学习的表面肌电信号手势动作识别方法进行研究。本文的目的是评估经RMS整流的表面肌电信号用于肌电控制的深度学习算法的性能。测试了三种不同的网络体系结构:卷积神经网络(CNN),循环神经网络(RNN)模型中的长短时记忆网络LSTM以及按顺序将两者的组合标记为CNN-LSTM。对瑞士公开数据集Ninapro的数据集2的40个完整受试者和数据集3的11个截肢者的17种手部运动进行分类。实验表明,CNN网络模型提供了最好的识别结果,完整受试者(数据集2)平均识别准确率为82.60%,截肢受试者(数据集3)平均识别准确率为71.58%;LSTM网络模型识别结果居中,完整受试者(数据集2)平均识别准确率为64.11%,截肢受试者(数据集3)平均识别准确率为53.37%;最后是CNN-LSTM网络模型,完整受试者(数据集2)平均识别准确率为62.74%,截肢受试者(数据集3)平均识别准确率为52.29%。由于肌电控制系统的最终用户大部分是截肢者,因此选择数据集中识别准确率最高的截肢受试者数据对CNN网络结构初始参数训练批次大小进行优化,以交叉熵损失函数作为优化目标,最终对截肢受试者(数据集3)所有个体进行测试,平均识别准确率为71.98%。