人体运动时,肌肉收缩会产生微弱的生物电信号。表面肌电信号是这些信号在皮肤表面的加性叠加,它与人体动作有着密切的联系。通过分析表面肌电信号,就能够分析和识别出人体的动作及行为意图。基于表面肌电信号的手势识别也因此成为人机交互领域的前沿领域。近年来,随着深度学习技术的发展,基于深度学习的手势识别逐渐成为研究的热点,并取得了一定的进展。本文也对此进行了研究,并做了如下工作。(1)本文将深度残差网络引入手势肌电识别中。原始的深度残差网络存在模型参数较多、训练时间和算法时延较长等缺陷,在一维信号数据上的识别效果也不佳。针对这些问题,本文提出了残差池化模型。该模型对原始的残差网络算法进行了修改,添加了池化层与身份映射,使得模型整体参数减少,并能更有效地学习信号数据。实验结果表明,残差池化模型相比于原有的残差网络与传统卷积网络,提升了手势分类的准确率。(2)针对一些精度要求较高的应用,本文提出了基于混合融合策略的肌电手势识别算法。算法首先通过控制数据重叠部分的长度来获得多个数据集,降低了单一数据集的固有误差。其次,算法引入了决策级模型组合方法,通过使用多个数据集与多种模型分类方法,增加模型间的差异,进而获得多个互补的概率模型,并综合多个模型的特征与结果,以克服单一模型特征提取的偏差。实验结果表明,本文算法有效地降低了手势识别错误率。