申请/专利权人：中国科学技术大学

申请日：2022-05-26

公开（公告）日：2024-04-02

公开（公告）号：CN114861731B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/214;G06F18/241;G06F18/22;G06V10/82;G06N3/048;G06N3/0464;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.08.23#实质审查的生效;2022.08.05#公开

摘要：本发明公开了一种可跨场景使用的肌电模式识别方法，包括：1、采集表面肌电信号并提取特征构建原场景下的源域数据集；2、构建跨场景肌电控制的基于相似性度量的单样本学习网络SimilarityMeasurebasedOne‑shotLearningNetwork,SMOLN；3、构建原场景下的源域动作模式分类器；4、构建新场景下的目标域动作模式分类器；5、获取待预测的动作模式的肌电信号并使用所述新场景下的目标域动作模式分类器完成模式识别。本发明具有更强的灵活性，仅需极少量的校准再训练样本便可实现肌电控制系统的跨场景鲁棒应用，适用于医疗康复、消费电子等广泛的应用领域。

主权项：1.一种可跨场景通用的肌电模式识别方法，其特征在于，包括以下步骤：步骤一、利用多通道肌电传感器或电极阵列采集原用户执行N个动作模式的肌电信号并进行特征提取和信号处理后，得到带有各个动作模式标签的肌电样本，从而构成原场景下的源域数据集；N≥1；从所述原场景下的源域数据集中任意选取两个肌电样本，并判断其动作模式标签是否相同，若相同，则令所选取的肌电样本对的类别标签为“相同”，否则，令所选取的肌电样本对的类别标签为“不同”，从而形成原场景下的带有类别标签的源域样本对训练集；步骤二、构建跨场景肌电控制的基于相似性度量的单样本学习的SMOLN网络，并基于所述源域样本对训练集对所述SMOLN网络进行训练；步骤2.1、所述SMOLN网络为对称型双输入单输出结构，并包括：一个基于孪生网络的深度肌电特征提取主干网络、肌电模式相似性评估网络；所述深度肌电特征提取主干网络是由两个共享权重、参数的深度残差网络构成；其中，每个深度残差网络包含m个网络层，每个网络层的输出和SMOLN网络的输入端相连；其中，每个网络层包含：n个卷积网络模块；且每个模块中的卷积层数相等；前m-1个网络层中的前n个模块由一个卷积层，一个批标准化层，一个激活层构成，前n-1个模块之后均添加有一个池化层；第m个网络层的前n个模块和第m-1个网络层配置相同，在第n个模块之后添加一个肌电模式相似性评估网络；所述肌电模式相似性评估网络包括：Flatten层、度量函数模块；所述度量函数模块由欧式距离函数和Sigmoid网络层构成；步骤2.2、所述源域样本对训练集中任意第i个肌电样本对输入所述SMOLN网络中，先经过所述深度肌电特征提取主干网络中的两个深度残差网络的处理，相应输出一对二维肌电特征图；所述一对二维肌电特征图输入至肌电模式相似性评估网络中进行处理，由所述Flatten层对所述一对肌电特征图像进行展开，得到一组一维肌电特征向量；所述一维肌电特征向量输入所述肌电模式相似性评估网络中的度量函数模块进行欧氏距离的计算，得到代表第i个肌电样本对的距离，所述距离经过所述Sigmoid函数层的进行处理后，得到第i个肌电样本对预测的相似性得分步骤2.3、利用式1—式3构建损失函数 式1和式2中，表示第i个肌电样本对中的第一个肌电样本，表示第i个肌电样本对中的第二个肌电样本，表示第i对肌电样本对的类别标签；w表示权值向量；L1表示二元交叉熵损失，L2表示权重衰减损失；λ为正则化系数；步骤2.4、基于所述源域样本对训练集，利用梯度下降法对所述SMOLN网络进行训练，并计算所述损失函数用于更新网络参数，直到达到所设定的迭代阈值或损失函数收敛为止，从而得到原场景下的相似性评估模型；步骤三，构建原场景下的源域动作模式分类器：从原场景下的源域数据集的每个动作模式中获取对应k个肌电样本，并构成源域校准数据集；k≥1；由所述源域校准数据集和所述原场景下的相似性评估模型构成原场景下的源域动作模式分类器；步骤四、构建新场景下的目标域动作模式分类器：定义新场景为新用户执行新的动作模式或新用户执行原动作模式或原用户执行新的动作模式；利用多通道肌电传感器或电极阵列采集新场景下用户执行M个动作模式的肌电信号并进行特征提取和信号处理后，得到带有各个动作模式标签的肌电样本，从而构成新场景下的目标域数据集；M≥1；从新场景下的目标域数据集的每个动作模式中获取对应k个肌电样本，并构成目标域校准数据集；k≥1；由所述目标域校准数据集和所述原场景下的相似性评估模型构成新场景下的目标域动作模式分类器；步骤五、获取待预测肌电信号，其动作模式属于源域校准数据集中的模式，将肌电信号输入所述的源域动作模式分类器中；其动作模式属于目标域校准数据集中的模式，将肌电信号输入所述的目标域动作模式分类器中；并分别对所述源域目标域校准数据集中的M个动作模式的肌电信号分别与待预测的动作模式的肌电信号进行相似性评估，得到M个相似性得分；并将相似性得分最高的动作模式作为待预测的动作模式的肌电信号的预测结果。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种可跨场景通用的肌电模式识别方法

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