申请/专利权人：中国科学技术大学

申请日：2024-01-17

公开（公告）日：2024-04-16

公开（公告）号：CN117892210A

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/214;G06F18/213;G06V40/20

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种鲁棒于电极偏移与信号缺失的肌电模式识别方法，该方法首先通过特征图插值、平移、降采样的步骤模拟电极偏移视角的特征，并通过对个别通道数据随机置零，得到掩码视角的特征，然后通过构建孪生自编码器网络，将电极偏移视角和掩码视角的特征分别输入两条支路，并利用多个重构误差反向传播以训练得到鲁棒的肌电特征重构模型。本发明能够在电极偏移与信号缺失双重影响因素叠加的情况下实现高精度的肌电手势分类，为肌电模式识别技术在实际应用中面临的难题和挑战提供新的解决方案。

主权项：1.一种鲁棒于电极偏移与信号缺失的肌电模式识别方法，其特征在于，包括以下步骤：步骤1、构建原始肌电特征数据集D：利用C通道肌电手环采集M位受试者的N种手势动作的表面肌电信号，并对所述表面肌电信号进行滑窗、活动段检测，得到R个肌电数据样本数据集并划分为肌电数据样本训练集和肌电数据样本测试集，其中，Rtrain代表肌电数据样本训练集的个数，Rtest代表测试集肌电数据样本测试集的个数；R＝Rtrain+Rtest；对每个肌电数据样本提取K个时域特征，得到原始肌电特征数据集D＝{Dtrain，Dtest}，其中，Dtrain代表原始肌电特征训练集，且其中，代表第i个原始肌电特征训练样本，代表第i个原始肌电特征训练样本的真实标签，Dtest代表原始肌电特征测试集，且其中，代表第i个原始肌电特征测试样本，代表第i个原始肌电特征测试样本的真实标签，且步骤2、构建电极偏移视角的高分辨率肌电特征训练集Dh-shift：对所述原始肌电特征训练集Dtrain中的每个训练样本在通道维度上逐个进行三阶多项式插值，得到高分辨率肌电特征训练集其中，代表第i个高分辨率肌电特征训练样本，且再将高分辨率肌电特征训练集DHR中的每个训练样本横向平移P个像素，被平移出的原始像素填充至所平移的位置上，从而得到电极偏移视角的高分辨率肌电特征训练集Dh-shift；步骤3、设定每个批次样本个数为Rb，将所述原始肌电特征数据训练集Dtrain和电极偏移视角的高分辨率肌电特征训练集Dh-shift分别按批次进行划分，得到若干个批次；其中，将当前批次中的原始肌电特征数据记为Btrain；步骤4、对当前批次中的所有电极偏移视角的高分辨率肌电特征训练样本进行降采样，得到当前批次中电极偏移视角的肌电特征训练数据其中，代表当前批次中第j个电极偏移视角的肌电特征训练样本，且代表的真实标签，且步骤5、对所述当前批次中的电极偏移视角的肌电特征数据Bshift中的所有训练样本逐个进行随机Q个通道的数据置零，得到当前批次中掩码视角的肌电特征数据其中，代表当前批次中掩码视角的第j个肌电特征样本，且代表的真实标签，且步骤6、将Bshift、Bmask以及Btrain中的每个样本均变换成一维的格式，并分别记为电极偏移视角的肌电特征向量Ishift、掩码视角的肌电特征向量Imask和原始肌电特征向量Itrain；步骤7、构建孪生自编码器网络，包含两条支路，并分别用于对将Ishift和Imask进行处理，得到当前批次中的电极偏移视角的肌电特征重构向量Oshift和掩码视角的肌电特征重构向量Omask；步骤8、按照步骤4-步骤7的过程将不同批次输入所述孪生自编码器网络进行训练，并计算不同批次中的总损失函数Ltotal以反向传播更新网络参数，直至总损失收敛为止，从而得到鲁棒的肌电特征数据重构模型；步骤9、使用鲁棒的肌电特征数据重构模型对原始肌电特征训练集Dtrain中的所有样本进重构，得到新的肌电特征数据训练集，并使用新的肌电特征数据训练集训练SVM分类器，得到训练好的SVM分类器；步骤10、从原始肌电特征测试集Dtest中随机选择测试样本，并输入到鲁棒的肌电特征数据重构模型中进行重构，得到的结果再输入所述训练好的SVM分类器中，从而得到测试样本的预测标签。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种鲁棒于电极偏移与信号缺失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