1.一种基于SeNet和门控时序卷积网络的肌电手势识别方法，其特征在于包括以下步骤：S1：通过肌电信号数据库获得手臂的手势肌电信号数据，并对手势肌电信号进行分割，分为训练集、验证集和测试集；

S2：对步骤S1得到的手势肌电信号数据进行预处理，包括带通滤波、工频陷波和数据分段；

S3：将步骤S2得到的手势肌电信号数据增强，包括向数据添加高斯噪声、肌电信号采集通道互换和肌电信号时间轴的扩缩；

S4：构建核心层，核心层由时间卷积网络、门控卷积和SeNet组成，采用门控卷积替换时间卷积网络中的1维卷积构成门控时间卷积块，采用门控时间卷积块对肌电信号进行特征提取，将上述门控时间卷积块使用SeNet连接，之间插入一层ReLu层，整体构成SeNet‑Gated‑TCN层；

所述步骤S4采用的门控时间卷积块公式如下：

Gate＝sigmoid(A′)′*B+B

其中，A和B是输入经过一维因果卷积和膨胀卷积得到的特征序列，且A和B采用的卷积核大小和卷积核数量都是相同的；每个门控时间卷积块中卷积是由因果卷积构成，且每层利用不同的膨胀卷积尺度对肌电信号进行充分地分析；

S5：构建注意力机制层，将步骤S4所得核心层进行堆叠，得到特征输出结果输入到注意力机制层，通过注意力机制将特征赋予不同权重；

所述步骤S5中，注意力机制对不同的特征赋予不同的权重，计算公式如下：T

score(ht,hs)＝htWhs

其中αts表示肌电特征的权重参数向量，ht表示当前的输出状态，hs表示上层的输出状态，均值越大说明该肌电特征对结果影响更大，S是模型层数，W是权重矩阵由网络训练后获得，Ht表示经过注意力机制后的输出值；

S6：构建完整的模型，将步骤S5所得注意力机制层输出结果通过SoftMax激活函数进行输出，获得完整的手势识别模型；

S7：将步骤S3得到的数据输入到步骤S6所构建的完整模型中，对模型进行训练直到模型的损失函数不再提升，保存模型。

2.根据权利要求1所述的一种基于SeNet和门控时序卷积网络的肌电手势识别方法，其特征在于：所述步骤S2中，采用四阶巴特沃斯滤波器对肌电信号进行0.1～200Hz的带通滤波，采用50Hz陷波器滤除掉肌电信号的工频干扰。