申请/专利权人：中国科学技术大学

申请日：2022-06-14

公开（公告）日：2024-03-29

公开（公告）号：CN114936583B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/213;G06N3/0464;G06N3/09;G06N3/084;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2022.09.09#实质审查的生效;2022.08.23#公开

摘要：本发明公开了一种基于教师‑学生模型的双步领域自适应的跨用户肌电模式识别方法，包括：1、构建带标签的源域数据集，包括信号采集、滑窗分割、活动段提取、肌电特征图像构建以及动作类别标注；2、构建基于教师‑学生模型的双步领域自适应网络DSDAN；3、新用户接入，构建无标签的目标域数据集；4、对目标特征图像进行动作分类决策；5、对DSDAN网络模型进行双步领域自适应训练和更新。本发明将表面肌电信号转变成肌电特征图像，采用独特的双步训练模式训练双分类器结构的领域自适应网络模型实现跨用户的动作识别，在降低新用户使用负担的同时能快速适应新用户，不断提高动作识别精确度，推动肌电控制技术的推广应用。

主权项：1.一种基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法，其特征在于，包括以下步骤：步骤1：利用多个肌电电极采集n个用户执行指定k类动作的多通道肌电信号，并对所述多通道肌电信号进行滑窗分割、活动段提取、特征提取的预处理后，得到源域肌电样本，从而构成有标签的源域数据集其中，表示源域的第i个肌电样本，表示源域的第i个肌电样本对应的真实标签；ns表示得到的源域肌电样本数目；步骤2：构建基于教师-学生模型的双步领域自适应网络DSDAN，包括：一个共享的特征提取器hφ和两个动作分类器FC1和FC2；所述特征提取器hφ依次包括：一个卷积层、一个批量归一化层、一个激活函数、一个最大池化层、两个串联的残差块和一个平均池化层；每个动作分类器均由一个全连接层构成，其中，动作分类器FC1作为所述双步领域自适应网络DSDAN中的教师分支网络，记为教师分类器；动作分类器FC2作为所述双步领域自适应网络DSDAN中的学生分支网络，记为学生分类器；步骤3：新用户接入，并构建无标签的目标域数据集利用所述高密度电极阵列采集新用户执行k类动作中的任意一种动作的肌电信号并按照步骤1的过程进行预处理后，得到目标肌电样本，从而构成无标签的目标域数据集其中，表示目标域的第j个目标肌电样本；nt表示得到的目标域肌电样本数目；步骤4：将目标域数据集中待分类的目标肌电样本输入所述双步领域自适应网络DSDAN中，并经过特征提取器hφ的处理后，输出相应的目标肌电样本特征映射再输入所述教师分类器FC1中进行处理后，输出预测概率最后按式1计算相应的预测标签 式1中，表示目标肌电样本属于动作c的概率，表示目标肌电样本属于动作a的概率，k表示指定动作的类别数目；步骤5：对所述双步领域自适应网络DSDAN进行自适应训练和更新：步骤5.1：设置批处理的尺寸为batch_size，将所述源域数据集和目标域数据集分别按照批处理的尺寸进行分块处理，相应得到的第u个批处理的源域数据块记为第v个批处理的目标域数据块记为步骤5.2：所述双步领域自适应网络DSDAN的第一步训练过程：选取一组数据块输入所述双步领域自适应网络DSDAN中，依次经过所述特征提取器hφ和教师分类器FC1的处理后，输出预测概率并计算式2所示的第一步更新损失函数L1后，通过反向传播机制更新所述特征提取器hφ和教师分类器FC1的参数，从而得到第一步训练后的特征提取器和教师分类器 式2中，表示所述教师分类器FC1输出的源域数据块的预测概率与对应源域数据块的真实标签的交叉熵损失，LLMMD表示源域数据块经过特征提取器hφ后输出的特征映射fsu和目标域数据块经过特征提取器hφ后输出的特征映射ftv之间的局部最大均值差异LMMD损失，λ1为权重调节参数，且λ1∈0,1；步骤5.3：所述目标域数据块输入第一步训练后的特征提取器和教师分类器中，并输出的预测概率从而按式1计算对应的伪标签步骤5.4：所述双步领域自适应网络DSDAN的第二步训练过程：第一步训练后的特征提取器和学生分类器FC2对和进行处理，输出预测概率并计算式3所示的第二步训练损失函数L2后，通过反向传播机制更新所述特征提取器和学生分类器FC2的参数，从而得到第二步更新后的特征提取器和学生分类器 式2中，表示学生分类器FC2输出的源域数据块预测概率与对应源域数据块的真实标签的交叉熵损失，表示学生分类器FC2输出的目标域数据块的预测概率与由教师分类器输出的目标域数据块的伪标签的交叉熵损失，λ2为权重调节参数，且λ2∈0,1；步骤5.5：重复步骤5.2到步骤5.4的过程，直到完成对所有批处理的数据块的训练，并得到在当前肌电数据集上的最优肌电模式识别模型；步骤6：当所述新用户产生k类动作中的其他肌电信号时，按照步骤3的过程构建新的目标肌电样本，作为待分类的目标肌电样本然后按照步骤4的过程对进行识别，给出预测标签，再将肌电样本加入目标域数据集中，最后按照步骤5的过程在扩充的数据集上训练并获得最优肌电模式识别模型；步骤7：当其他新用户接入时，按照步骤3的过程创建用户对应的目标域数据集然后按照步骤4-步骤6的过程进行动作预测和模型训练，从而得到相应新用户对应的最优肌电模式识别模型。

全文数据：

权利要求：

百度查询： 中国科学技术大学 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法

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