[發(fā)明專利]基于全卷積殘差網(wǎng)絡(luò)的肌電信號手勢識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210411532.9
• 申請日: 2022-04-19
• 公開（公告）號: CN114847933A
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計）人: 夏翌彰;宋世豪;鄒娟;劉元;李亞林;陸騏峰
• 申請（專利權(quán)）人: 湘潭大學(xué)
• 主分類號: A61B5/11
• 分類號: A61B5/11;A61B5/389;A61B5/397;A61B5/00
• 代理公司: 蘇州博格華瑞知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32558
• 代理人: 丁浩秋

1.一種基于全卷積殘差網(wǎng)絡(luò)的肌電信號手勢識別方法，其特征在于，包括以下步驟：

S01：獲取肌電信號，將肌電信號轉(zhuǎn)化為肌電圖像；

S02：構(gòu)建全卷積殘差網(wǎng)絡(luò)，所述全卷積殘差網(wǎng)絡(luò)包括特征提取器和分類器，所述特征提取器包括依次連接的填充層、卷積層、池化層和多個基于卷積的殘差塊構(gòu)成；所述分類器的輸入為特征提取器的輸出，包括多個卷積層，所述分類器輸出特征圖，將特征圖一維化后輸入SoftMaxLoss層，得到預(yù)測的手勢類型；

S03：使用訓(xùn)練數(shù)據(jù)對構(gòu)建的全卷積殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到最優(yōu)網(wǎng)絡(luò)模型；

S04：將獲得的最優(yōu)網(wǎng)絡(luò)模型對待測數(shù)據(jù)進(jìn)行分類，得到分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于全卷積殘差網(wǎng)絡(luò)的肌電信號手勢識別方法，其特征在于，所述步驟S01中將肌電信號轉(zhuǎn)化為肌電圖像包括：

S11：采集肌電信號數(shù)據(jù)；

S12：利用高分辨率的時間戳對采集的數(shù)據(jù)進(jìn)行同步，對錯誤的運(yùn)動標(biāo)簽利用廣義似然比算法進(jìn)行再標(biāo)記，同步前利用Hampel濾波器對諧波和電源線干擾進(jìn)行過濾處理；

S13：對C個肌電信號數(shù)據(jù)每次使用采樣步長為S取M個采樣點，即每次進(jìn)行肌電信號圖像化轉(zhuǎn)化的維度為MXC，將M個采樣點改變形狀重塑為長寬相等圖像，所述重塑操作中，每個通道肌電信號的時間關(guān)系按照一定的規(guī)則排列在圖像中，多通道的肌電信號按照順序堆疊在圖像的第三維，即肌電信號不同通道之間的關(guān)系反映在圖像的第三維度中，最終得到LXLXC的三維肌電圖像。

3.根據(jù)權(quán)利要求1所述的基于全卷積殘差網(wǎng)絡(luò)的肌電信號手勢識別方法，其特征在于，所述步驟S02中特征提取器的特征提取方法包括：

輸入的肌電圖像通過填充層改變肌電圖像的維度，通過卷積層進(jìn)行特征提取得到特征圖，并對該特征圖進(jìn)行批標(biāo)準(zhǔn)化處理，將標(biāo)準(zhǔn)化的結(jié)果通過最大池化層得到肌電圖像的初始特征圖；通過多個基于卷積的殘差塊對初始特征圖進(jìn)一步特征提取后得到進(jìn)一步特征圖。

4.根據(jù)權(quán)利要求1或3所述的基于全卷積殘差網(wǎng)絡(luò)的肌電信號手勢識別方法，其特征在于，所述基于卷積的殘差塊由兩條路徑構(gòu)成，一條路徑由兩個卷積層構(gòu)成，另外一條快捷路徑由一個卷積層構(gòu)成，每個卷積層后都對輸出進(jìn)行批標(biāo)準(zhǔn)化。

5.根據(jù)權(quán)利要求1-3任一項所述的基于全卷積殘差網(wǎng)絡(luò)的肌電信號手勢識別方法，其特征在于，所述特征提取器的基于卷積的殘差塊的末端連接平均池化層，用于平滑基于卷積的殘差塊輸出的特征圖。

6.根據(jù)權(quán)利要求5所述的基于全卷積殘差網(wǎng)絡(luò)的肌電信號手勢識別方法，其特征在于，所述步驟S02中分類器的計算公式為：

Out＝Softmax(Flatten(W*f(x)+b))

其中，W和b為分類器中卷積層的卷積核和偏置，x為特征提取器的輸出，f(x)為感受視野，F(xiàn)latten函數(shù)為一維化函數(shù)，Softmax函數(shù)為歸一化指數(shù)函數(shù)。

7.一種基于全卷積殘差網(wǎng)絡(luò)的肌電信號手勢識別系統(tǒng)，其特征在于，包括：

肌電圖像獲取模塊，獲取肌電信號，將肌電信號轉(zhuǎn)化為肌電圖像；

全卷積殘差網(wǎng)絡(luò)構(gòu)建模塊，構(gòu)建全卷積殘差網(wǎng)絡(luò)，所述全卷積殘差網(wǎng)絡(luò)包括特征提取器和分類器，所述特征提取器包括依次連接的填充層、卷積層、池化層和多個基于卷積的殘差塊構(gòu)成；所述分類器的輸入為特征提取器的輸出，包括多個卷積層，所述分類器輸出特征圖，將特征圖一維化后輸入SoftMaxLoss層，得到預(yù)測的手勢類型；

網(wǎng)絡(luò)模型訓(xùn)練模塊，使用訓(xùn)練數(shù)據(jù)對構(gòu)建的全卷積殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到最優(yōu)網(wǎng)絡(luò)模型；

分類模塊，將獲得的最優(yōu)網(wǎng)絡(luò)模型對待測數(shù)據(jù)進(jìn)行分類，得到分類結(jié)果。