申请/专利权人：中国科学技术大学

申请日：2022-02-18

公开（公告）日：2024-04-02

公开（公告）号：CN114548165B

主分类号：G06F18/2415

分类号：G06F18/2415;G06N3/0464;G06N3/084;G06N3/096;A61B5/397;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.06.14#实质审查的生效;2022.05.27#公开

摘要：本发明公开了一种可跨用户的肌电模式分类方法，包括：1、利用穿戴的当前电极设备采集n个用户的k类动作肌电信号并提取特征，从而组成有标签的源域数据其中，表示第i个样本对，代表源域的第i个样本，代表源域的第i个样本的真实标签；2、当第n+1个用户即新用户接入当前电极设备后按照任意顺序执行k类动作时，采集新用户的k类动作肌电信号并提取特征，从而组成无标签的目标域数据其中，代表目标域的第j个样本；3、构建基于领域自适应方法的迁移学习网络模型；4、实现跨用户的动作识别。本发明能实现跨用户的动作识别，并不断提升对新用户目标域数据识别的精准度。

主权项：1.一种可跨用户的肌电模式分类方法，其特征在于，包括：步骤1：利用穿戴的当前电极设备采集n个用户的k类动作肌电信号并提取特征，从而组成有标签的源域数据其中，表示第i个样本对，代表源域的第i个样本，代表源域的第i个样本的真实标签；步骤2：当第n+1个用户即新用户接入当前电极设备后按照任意顺序执行k类动作时，采集新用户的k类动作肌电信号并提取特征，从而组成无标签的目标域数据其中，代表目标域的第j个样本；步骤3：构建基于领域自适应方法的迁移学习网络模型；步骤3.1：构建源域网络Net1与目标域网络Net2；所述源域网络Net1包括M个特征提取模块，每个特征提取模块均包括：卷积层、激活函数层和池化层；在第M个特征提取模块后串接N个全连接层，以最后一个全连接层作为源域网络Net1的分类输出层，用于输出当前批次样本的分类概率值，将第N-1个全连接层输出的特征映射记作fsN-1；将所述源域网络Net1的最后一个全连接层删除后得到目标域网络Net2；并将目标域网络Net2的第N-1个全连接层输出的特征映射记作ftN-1；步骤3.2：利用式1构建损失函数L：L＝Lc+λLMMD1式1中，Lc表示所述源域网络Net1的分类输出层输出的预测标签与输入所述源域网络Net1的真是标签之间的交叉熵损失，LMMD表示源域网络Net1输出的特征映射fsN-1和目标域网络Net2输出的特征映射ftN-1之间的最大均值差异MMD损失，λ表示调节参数，λ∈0,1；步骤3.3：网络模型初始训练过程；设置批处理的尺寸为batch_size，将数据按照批处理进行分块后得到的每一批处理的数据块记作X；将源域数据中任意第u个批处理数据块输入所述源域网络Net1；将目标域数据中任意第v个批处理数据块输入所述目标域网络Net2；所述迁移学习网络模型对源域数据进行训练的同时对源域和目标域的数据进行域适应处理，并计算所述源域网络Net1输出的特征映射和目标域网络Net2输出的特征映射之间的最大均值差异是否小于所设定的MMD阈值Th，若是，则模型进行反向更新，否则，第u个批处理数据块和第v个批处理数据块不用于网络更新，并将下一个源域和目标域的批处理数据块输入至模型中，直至完成所有批处理数据块的输入和模型更新训练，从而得到训练好的分类器记为Clast；步骤3.5：网络模型更新过程；若采集带新用户其他的k类动作肌电信号后则进行特征提取后再所述使用分类器Clast对新数据的特征进行分类，同时按照步骤3.3和步骤3.4的过程更新分类器；步骤4：第n+m个用户穿戴当前的电极设备并采集到k类动作肌电信号时，重复步骤2-步骤3.4的过程进行分类和分类器的更新，m1。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种可跨用户的肌电模式分类方法

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