技术特征：
1.一种基于rnn-cnn的emg信号分类系统，其特征在于：包括数据采集模块(1)、数据预处理模块(2)、识别模型模块(3)、模型保存模块(4)，所述数据采集模块(1)连接有数据预处理模块(2)，所述数据预处理模块(2)连接有识别模型模块(3)，所述识别模型模块(3)连接有模型保存模块(4)。2.根据权利要求1所述的一种基于rnn-cnn的emg信号分类系统，其特征在于：所述数据预处理模块(2)包括加噪模块(201)、归一化模块(202)、数据切割模块(203)、统一数据尺度模块(204)，所述加噪模块(201)连接有归一化模块(202)，所述归一化模块(202)连接有数据切割模块(203)，所述数据切割模块(203)连接有统一数据尺度模块(204)。3.根据权利要求1所述的一种基于rnn-cnn的emg信号分类系统，其特征在于：所述识别模型模块(3)采用三层结构，所述三层结构分别为rnn层(301)、cnn层(302)、全连接层(303)，所述rnn层(301)采用lstm单元构建，所述rnn层(301)连接有数据预处理模块(2)，所述cnn层(302)连接有rnn层(301)，所述全连接层(303)连接有cnn层(302)。4.一种基于rnn-cnn的emg信号分类方法，其特征在于：包括下列步骤：s100、采集emg信号数据，并根据采集动作的不同进行类别划分和标注，完成模型训练所需数据集的构建；s200、对构建的所述数据集进行预处理，以满足模型训练数据要求；s300、采用深度学习方法搭建识别模型，通过输入训练数据，完成参数模型的搭建；s400、当模型的损失函数不再降低之后，保存数据模型。5.根据权利要求4所述的一种基于rnn-cnn的emg信号分类方法，其特征在于：所述s100中完成模型训练所需数据集的构建的方法为：包括下列步骤：s101、将数据集复制三份，第一份数据集不做处理，给第二份数据集的数据增加该条数据s最大值5％的噪声，给第三份数据集的数据增加该条数据最大值10％的噪声，之后将三份数据集并打乱；s102、对s101中的三份数据集进行min-max归一化；s103、将s102中进行min-max归一化后的数据集进行分割，将整条数据集根据时间分割为小段数据；s104、将分割后的数据进行格式同化。6.根据权利要求4所述的一种基于rnn-cnn的emg信号分类方法，其特征在于：所述s200中对构建的所述数据集进行预处理的方法为：包括下列步骤：s201、使用lstm单元构建rnn层，s(t)＝σ(w
s
·
[h
t-1
,x
t
]+b
s
)e(t)＝σ(w
e
·
[h
t-1
,x
t
]+b
e
)r(t)＝σ(w
r
·
[h
t-1
,x
t
]+b
r
)所述s(t)为遗忘门，所述e(t)为记忆门，所述r(t)为输出门，所述w
s
、w
e
、w
r
分别为遗忘门、记忆门、输出门的rnn层的权值，所述b
s
、b
e
、b
r
分别为遗忘门、记忆门、输出门的bias参数，所述h
t-1
为上一次迭代的输出值，所述x
t
为本时刻的输入数据，所述σ为sigmoid激活函数，所述lstm单元通过s(t)与e(t)进行自身状态的计算，之后与r(t)进行tanh计算得到单元输出；s202、对所述rrn层输出的数据进行特征提取，提取完毕后得到大小为20*1*16的特征
图；s203、对得到的特征图进行全连接运算，所述全连接运算使用sigmoid函数得到分类结果，所述x为输入数据。