[發(fā)明專利]一種基于小腦神經網絡模型的表面肌電信號分類方法

有效

• 申請?zhí)枺?/td>: 201910326077.0
• 申請日: 2019-04-23
• 公開（公告）號: CN110032987B
• 公開（公告）日: 2022-07-08
• 發(fā)明（設計）人: 姜海燕;于守艷;高躍明;杜民
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;A61B5/389;G06N3/04
• 代理公司: 福州元創(chuàng)專利商標代理有限公司 35100
• 代理人: 蔡學俊

本發(fā)明涉及一種基于小腦神經網絡模型的表面肌電信號分類方法，包括以下步驟：步驟S1：采用包括脛骨前肌、腓腸肌在內的相關肌肉的表面肌電信號數據，提取上述表面肌電信號的特征參數，將提取的特征參數及其分類結果作為訓練數據，訓練小腦神經網絡模型；步驟S2：對測量數據進行分析處理，然后提取作為測試數據的表面肌電信號的特征參數；步驟S3：采用訓練好的小腦神經網絡模型對步驟S2提取的表面肌電的特征參數進行分類識別。本發(fā)明能夠精確地得到分類結果。

技術領域

本發(fā)明涉及表面肌電信號分類技術領域，特別是一種基于小腦神經網絡模型的表面肌電信號分類方法。

背景技術

表面肌電檢測是采用脛骨前肌、腓腸肌等相關肌肉的表面肌電信號，分析人體肌肉在不同狀態(tài)時的表面肌電信號特征，進而確定人體測量部位的狀態(tài)。目前廣泛應用于康復機器人研究、人體外骨骼研究、運動生物力學研究、步態(tài)分析以及平衡分析等臨床診斷及康復研究。

發(fā)明內容

有鑒于此，本發(fā)明的目的是提出一種基于小腦神經網絡模型的表面肌電信號分類方法，能夠精確地得到分類結果。

本發(fā)明采用以下方案實現：一種基于小腦神經網絡模型的表面肌電信號分類方法，包括以下步驟：

步驟S1：采用包括脛骨前肌、腓腸肌在內的相關肌肉的表面肌電信號數據，提取上述表面肌電信號的特征參數，將提取的特征參數及其分類結果作為訓練數據，訓練小腦神經網絡模型；

步驟S2：對測量數據進行分析處理，然后提取作為測試數據的表面肌電信號的特征參數；

步驟S3：采用訓練好的小腦神經網絡模型對步驟S2提取的表面肌電的特征參數進行分類識別；

步驟S4：通過小腦神經網絡模型分類得到表面肌電信號分類評估結果。

進一步地，所述表面肌電信號的特征參數包括肌電信號幅值的平均值、肌電信號的均方根值、時頻域高頻能量系數以及低頻能量系數的平均值。

進一步地，表面肌電信號的特征參數的提取具體包括以下步驟：

步驟S1：選取daubechies8小波作為對預處理后的表面肌電信號數據小波分解的小波函數，且分解層數為5層；

步驟S2：計算表面肌電信號幅值的平均值I₁：

式中，n為表面肌電信號數量，f(t)為對應時間的幅值；

步驟S3：計算小波分解第一層高頻系數均值I₂：

式中，m為小波分解高頻系數數量，cD₁為小波分解第一層高頻系數；

步驟S4：計算小波分解第五層低頻系數均值I₃：

式中，N為小波分解低頻系數數量，cA₅為小波分解第五層低頻系數；

步驟S5：計算表面肌電信號均方根值I₄：

式中，n1為表面肌電信號均方根數據組的數量，x_n為對應的表面肌電信號數值。

進一步地，所述小腦神經網絡模型包括輸入層、聯(lián)想記憶層、感受野、權值記憶層以及輸出層，其中激活函數用sigmoid函數；為了增加sigmoid函數的收斂性，誤差函數采用交叉熵函數。

本發(fā)明通過脛骨前肌、腓腸肌等相關肌肉的表面肌電數據，根據數據分析出信號在時域以及時頻域的特征參數，采用小腦模型神經網絡進行多分類預測進行分類評估。