申请/专利权人：东北大学

申请日：2020-10-23

公开（公告）日：2023-07-25

公开（公告）号：CN112183462B

主分类号：G06F18/10

分类号：G06F18/10;G06F18/24;G06F18/2135;G06N3/006;G06N3/0442;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2023.07.25#授权;2021.01.22#实质审查的生效;2021.01.05#公开

摘要：本发明提供了一种借助残肢表面肌电控制智能鼠标装置的方法，解决了表面肌电信号的分类问题，通过新的分类算法，得到更高的分类准确率，该分类方法是核主成分分析降维结合基于人工蜂群优化的BP神经网络分类算法；本发明解决了智能鼠标控制的集成问题，将控制终端集成至嵌入式平台，为后续学习和研究提供方便；同时本发明实现了表面肌电信号控制的虚拟鼠标。

主权项：1.一种借助残肢表面肌电控制智能鼠标装置的方法，其特征在于，包括步骤如下：S1：表面肌电信号采集和预处理；S2：将经过步骤S1预处理的表面肌电信号数据发送至分类算法进行分类；该算法分为两部分，第一是核主成分分析降维，第二是基于人工蜂群优化的BP神经网络分类算法；S2-1核主成分分析降维算法1选定高斯径向基函数作为核函数，计算核矩阵K，其中核函数的公式为： 其中xi为核函数中心，σ为函数的宽度参数；2通过修正核矩阵得到KL；3计算KL的特征值λ1，...，λn和对应的特征向量v1，...，vn；4降序排列特征值，得λ1′＞...＞λn′，对特征向量进行相应调整，使其对齐特征值，得v1′，...，vn′；5通过施密特正交化方法，单位正交化特征向量α1，...，αn；6计算特征值的累积贡献率B1，...，Bn，选择符合累积贡献率要求的主元个数；7计算已修正的核矩阵在特征空间向量上的投影Y＝KL·α，其中α＝α1，...，αt；8返回投影矩阵Y；S2-2将步骤S2-1降维后的数据输入到基于人工蜂群优化的BP神经网络分类算法中进行训练；基于人工蜂群优化的BP神经网络分类算法为：1创建一个BP神经网络；2初始化ABC算法的参数；包括蜂群的大小Nc，采蜜蜂的数量Ne，跟随蜂的数量No，解的个数Ns，极限值limit，最大循环次数MCN以及D维初始解xi，i＝1，...，Ns；Nc，Ne，No和Ns满足以下关系：Nc＝2Ns＝Ne+No，Ne＝No每个解的维数D满足下列方程：D＝Ninput*Nhidden+Nhidden+Nhidden*Noutput+Noutput其中Ninput、Nhidden、Noutput分别是输入层、隐含层、输出层的神经元个数；初始解的值是随机产生的-1，1之间的数；3计算每个解的适合度值 式中i＝1，…，Ns，MSEi表示第i个解的BP网络均方误差；4采蜜蜂根据当前的记忆解搜索新的解：Vij＝Xij+rand-1，1Xij-Xij式中i是解的编号，j∈{1，2，…，D}，k∈{1，2，…，Ns}是随机产生的，且k≠i；采蜜蜂采用贪婪选择法，如果新解的适合度值比旧解的适合度值大，则记下更新旧解，否则在旧解的更新失败次数加1；5计算各解的可能值Pi： 式中fXi是第i个解的适合度值；跟随蜂根据这些可能值从现有解的邻域中搜索新的解；6如果解xi的更新失败次数超过了预先设定的阈值limit，说明这个解不能再被优化了，须将它舍弃，用下式产生的新解将其代替：Xi＝Xmin+rand0，1Xmax-Xmin保存最优的解；7如果迭代次数大于最大循环次数MCN，则训练结束；否则，返回第5步；8将得到的最优解变换成神经网络的连接权值和阈值，用数据仿真和测试神经网络；S3：将步骤S2分类后的表面肌电信号信息传送给PC端，控制虚拟智能鼠标。

全文数据：

权利要求：

百度查询： 东北大学 一种借助残肢表面肌电控制智能鼠标装置的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD