[發明專利]一種基于RNN-CNN的EMG信號分類系統及方法

在審

• 申請號: 202011229234.5
• 申請日: 2020-11-06
• 公開（公告）號: CN112336357A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 潘曉光;王宇琦;王小華;令狐彬;焦璐璐;張娜
• 申請（專利權）人: 山西三友和智慧信息技術股份有限公司
• 主分類號: A61B5/397
• 分類號: A61B5/397
• 代理公司: 太原榮信德知識產權代理事務所(特殊普通合伙) 14119
• 代理人: 楊凱;連慧敏

1.一種基于RNN-CNN的EMG信號分類系統，其特征在于：包括數據采集模塊(1)、數據預處理模塊(2)、識別模型模塊(3)、模型保存模塊(4)，所述數據采集模塊(1)連接有數據預處理模塊(2)，所述數據預處理模塊(2)連接有識別模型模塊(3)，所述識別模型模塊(3)連接有模型保存模塊(4)。

2.根據權利要求1所述的一種基于RNN-CNN的EMG信號分類系統，其特征在于：所述數據預處理模塊(2)包括加噪模塊(201)、歸一化模塊(202)、數據切割模塊(203)、統一數據尺度模塊(204)，所述加噪模塊(201)連接有歸一化模塊(202)，所述歸一化模塊(202)連接有數據切割模塊(203)，所述數據切割模塊(203)連接有統一數據尺度模塊(204)。

3.根據權利要求1所述的一種基于RNN-CNN的EMG信號分類系統，其特征在于：所述識別模型模塊(3)采用三層結構，所述三層結構分別為RNN層(301)、CNN層(302)、全連接層(303)，所述RNN層(301)采用LSTM單元構建，所述RNN層(301)連接有數據預處理模塊(2)，所述CNN層(302)連接有RNN層(301)，所述全連接層(303)連接有CNN層(302)。

4.一種基于RNN-CNN的EMG信號分類方法，其特征在于：包括下列步驟：

S100、采集EMG信號數據，并根據采集動作的不同進行類別劃分和標注，完成模型訓練所需數據集的構建；

S200、對構建的所述數據集進行預處理，以滿足模型訓練數據要求；

S300、采用深度學習方法搭建識別模型，通過輸入訓練數據，完成參數模型的搭建；

S400、當模型的損失函數不再降低之后，保存數據模型。

5.根據權利要求4所述的一種基于RNN-CNN的EMG信號分類方法，其特征在于：所述S100中完成模型訓練所需數據集的構建的方法為：包括下列步驟：

S101、將數據集復制三份，第一份數據集不做處理，給第二份數據集的數據增加該條數據S最大值5％的噪聲，給第三份數據集的數據增加該條數據最大值10％的噪聲，之后將三份數據集并打亂；

S102、對S101中的三份數據集進行Min-Max歸一化；

S103、將S102中進行Min-Max歸一化后的數據集進行分割，將整條數據集根據時間分割為小段數據；

S104、將分割后的數據進行格式同化。

6.根據權利要求4所述的一種基于RNN-CNN的EMG信號分類方法，其特征在于：所述S200中對構建的所述數據集進行預處理的方法為：包括下列步驟：

S201、使用LSTM單元構建RNN層，

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)為遺忘門，所述E(t)為記憶門，所述R(t)為輸出門，所述W_S、W_E、W_R分別為遺忘門、記憶門、輸出門的RNN層的權值，所述b_S、b_E、b_R分別為遺忘門、記憶門、輸出門的bias參數，所述h_t-1為上一次迭代的輸出值，所述x_t為本時刻的輸入數據，所述σ為sigmoid激活函數，所述LSTM單元通過S(t)與E(t)進行自身狀態的計算，之后與R(t)進行tanh計算得到單元輸出；

S202、對所述RRN層輸出的數據進行特征提取，提取完畢后得到大小為20*1*16的特征圖；

S203、對得到的特征圖進行全連接運算，所述全連接運算使用sigmoid函數得到分類結果，所述x為輸入數據。