[發(fā)明專利]一種面向個人用戶的表面肌電信號分類識別方法

有效

• 申請?zhí)枺?/td>: 202010626780.6
• 申請日: 2020-07-02
• 公開（公告）號: CN111783669B
• 公開（公告）日: 2022-07-22
• 發(fā)明（設(shè)計）人: 高睿;郭劍;劉培宇;董樹龍;韓崇;王娟
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京正聯(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 張玉紅

一種面向個人用戶的表面肌電信號分類識別方法，設(shè)定初始手勢數(shù)據(jù)集D_u，并采集使用者數(shù)據(jù)得到用戶手勢數(shù)據(jù)集D_p；進(jìn)行數(shù)據(jù)預(yù)處理，進(jìn)行分類標(biāo)簽和去噪處理，并將數(shù)據(jù)轉(zhuǎn)換為三維格式矩陣；構(gòu)建訓(xùn)練集，對數(shù)據(jù)集中的矩陣進(jìn)行標(biāo)序，并擴(kuò)充用戶手勢數(shù)據(jù)集D_p，新建包含D_u和D_p的手勢數(shù)據(jù)的數(shù)據(jù)集D_all作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要的訓(xùn)練集；將訓(xùn)練集輸入LeNet?5模型結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；通過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)輸出得到識別結(jié)果，同時保存神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)重，下次使用時直接調(diào)用，無需再次訓(xùn)練。本方法正確率高、訓(xùn)練結(jié)果穩(wěn)定、訓(xùn)練周期短。

技術(shù)領(lǐng)域

本發(fā)明屬于人體生物特征識別領(lǐng)域，具體涉及一種面向個人用戶的表面肌電信號分類識別方法，主要解決面向個人用戶的表面肌電信號分類識別問題。

背景技術(shù)

生物電是生物的器官、組織和細(xì)胞在生命活動過程中發(fā)生的電位和極性變化。肌肉電流是生物電的一種，肌電信號(Electromyography，EMG)是眾多肌纖維中運(yùn)動單元動作電位在時間和空間上的疊加。表面肌電信號(Surface electromyography，SEMG)是淺層肌肉EMG和神經(jīng)干上電活動在皮膚表面的綜合效應(yīng)，能在一定程度上反映神經(jīng)肌肉的活動。相對于針電極EMG，SEMG在測量上具有非侵入性、無創(chuàng)傷、操作簡單等優(yōu)點。

肌電信號可以通過一些設(shè)備或者傳感器讀取出來，對其進(jìn)行分析后可以了解目標(biāo)對象的體征數(shù)據(jù)與身體狀況等信息。與利用醫(yī)學(xué)圖像分析身體狀況相比，分析身體的電流信號有易處理、易降噪、易分析等明顯優(yōu)點。通過對肌肉電流的提取與分析，可以得到許多有用的信息，例如對象的身體健康狀況、肌肉力量、對象正在進(jìn)行什么動作等。因而，SEMG在臨床醫(yī)學(xué)、人機(jī)功效學(xué)、康復(fù)醫(yī)學(xué)以及體育科學(xué)等方面均有重要的實用價值。

目前廣泛采用的是基于模式識別的肌電控制方法。首先從多通道信號中提取能表征不同上肢動作模式的信號特征，經(jīng)過預(yù)處理去除噪音之后，通過模式分類器識別出目標(biāo)動作模式，并轉(zhuǎn)化為控制指令。模式分類的依據(jù)是動作模式與信號特征空間的關(guān)聯(lián)模型。肌電分析的方法多種多樣，比較普遍使用的分析方法可歸結(jié)為兩大類：基于機(jī)器學(xué)習(xí)的手勢識別方法，以及基于深度學(xué)習(xí)的手勢識別方法。基于機(jī)器學(xué)習(xí)的手勢識別方法有線性判別分析、支持向量機(jī)、隨機(jī)森林等。基于深度學(xué)習(xí)的手勢識別模型通常使用的是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)進(jìn)行搭建。由于簡便、高效等優(yōu)點，CNN模型得到了較好的應(yīng)用和推廣。

在應(yīng)用CNN網(wǎng)絡(luò)進(jìn)行分類識別時，需要使用數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)來構(gòu)建模型，以此達(dá)到識別手勢的目的。從使用數(shù)據(jù)集訓(xùn)練模型的角度看，通常有三種方式：(1)使用大量包含不同個體的手勢數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其成為一個通用的通用型版本。這種方法的缺點是：針對新用戶個體，正確率不高。這是因為肌肉電流受影響因素很多，包括年齡、肌肉力量大小等的微小不同都會對信號產(chǎn)生非常大的影響，不同個體之間較大的差異性導(dǎo)致了通用模型的正確率的下降。(2)不使用他人數(shù)據(jù)，僅使用自己數(shù)據(jù)，這種方法的缺點是：由于數(shù)據(jù)過于單一，穩(wěn)定性相較于其他方法有著大幅降低，在實際應(yīng)用中效果很差。(3)基于遷移學(xué)習(xí)的方法。即先使用方法(1)，得到普通的通用模型后，再用使用者的數(shù)據(jù)單獨(dú)訓(xùn)練幾個周期，這樣訓(xùn)練得到的結(jié)果要明顯優(yōu)于前兩種方法，目前使用較多的也是這種方法。這種方法的缺點是：無法保證準(zhǔn)確率最大化，準(zhǔn)確率會隨著二次訓(xùn)練的周期增大出現(xiàn)先增加后減小的情況。

發(fā)明內(nèi)容