科创中国

本申请实施例涉及手势识别技术领域，特别涉及一种基于持续学习的手势识别方法、系统、设备及存储介质，该方法包括：首先，模拟在线实验环境；接下来，在缓存数据中筛选样本，得到筛选后的样本数据；然后，将筛选后的样本数据与当前时刻的新任务的样本数据进行联合训练，得到训练后的样本数据；最后，将训练后的样本数据的部分子集存入缓存数据中，对缓冲数据进行更新。本申请实施例提供的基于持续学习的手势识别方法，能够实现利用神经网络持续学习新的手势而不需要一次性收集全部的数据，同时可以在学习新的手势记住之前学习过的手势，能够节约算力资源和存储资源，降低算法部署的门槛。

1.一种基于持续学习的手势识别方法，其特征在于，包括： 模拟在线实验环境； 在缓存数据中筛选样本，得到筛选后的样本数据； 将所述筛选后的样本数据与当前时刻的新任务的样本数据进行联合训练，得到训练后的样本数据； 将所述训练后的样本数据的部分子集存入缓存数据中，对缓冲数据进行更新。 2.根据权利要求1所述的基于持续学习的手势识别方法，其特征在于，在得到筛选后的样本数据之后，将所述筛选后的样本数据与当前时刻的新任务的样本数据进行联合训练之前，还包括： 采用临时蒸馏损失，对所述筛选后的样本数据与当前时刻的新任务的样本数据进行均衡处理。 3.根据权利要求1所述的基于持续学习的手势识别方法，其特征在于，所述模拟在线实验环境，包括：将至少五种不同的手势数据依次输入至神经网络； 所述手势数据为有标注的数据。

在深度学习中，持续学习是指在系统面临连续不断的任务时，能够对之前学习的知识进行保留并不断更新，以便在以后的任务中更好地运用这些知识。与传统的机器学习中的离线学习不同，持续学习需要在不断的任务流中进行在线学习，系统需要不断地适应新的数据和任务，同时保留之前学习到的知识。在传统的机器学习中，每个模型都是针对单个任务进行训练的，而持续学习的目标是让模型能够在处理多个任务时具有更好的泛化能力，即能够在没有接受过某个任务的情况下正确地执行该任务。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

本申请提出一种基于持续学习算法的手势识别方法，即在每次学习一些手势、等下次有新的手势的数据时，本申请提供的手势识别方法不需要将之前训练过的数据全部拿来和新的数据一起训练，只需要选择部分数据和新数据联合训练，这个过程不会改变神经网络的结构，只需要更新参数，因此能够节省计算资源和存储资源。相比于现有技术中很多手势识别算法基于计算机视觉的方法进行手势识别，本申请直接利用肌电信号进行手势识别，更容易识别人的运动意图。

技术合作

本申请提出一种基于持续学习算法的手势识别方法，在每次学习一些手势、等下次有新的手势的数据时，本申请提供的手势识别方法不需要将之前训练过的数据全部拿来和新的数据一起训练，只需要选择部分数据和新数据联合训练，这个过程不会改变神经网络的结构，只需要更新参数，因此能够节省计算资源和存储资源。此外，相比于现有技术中很多手势识别算法基于计算机视觉的方法进行手势识别，本申请直接利用肌电信号进行手势识别，更容易识别人的运动意图。

本领域的普通技术人员可以理解，上述各实施方式是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各自更动与修改，因此本申请的保护范围应当以权利要求限定的范围为准。