申请/专利权人：齐鲁工业大学(山东省科学院)

申请日：2023-08-10

公开（公告）日：2024-04-16

公开（公告）号：CN116738295B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/10;G06F18/213;G06F18/25;G06V40/20;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2023.09.29#实质审查的生效;2023.09.12#公开

摘要：本发明公开了sEMG信号分类方法、系统、电子设备及存储介质，属于sEMG信号处理领域，本发明要解决的技术问题为如何提高sEMG信号分类的准确率，采用的技术方案为：数据采集：采集sEMG信号数据，构建原始数据集；数据预处理：对原始数据集进行数据降噪及滑动窗口分割数据，获取单通道的数据量；提取时域特征：对每个单通道内的数据进行时域特征提取；获取肌电图像：将提取的时域特征转换为图的形式，即肌电图像；提取特征矩阵：利用空间特征模块对肌电图像进行处理，获取特征矩阵；整合手势信息：利用时序特征模块对特征矩阵进行处理，获取整合区分手势局部信息；分类。

主权项：1.一种sEMG信号分类方法，其特征在于，该方法具体如下：数据采集：采集sEMG信号数据，构建原始数据集；具体如下：将电极片贴放到手臂指定的肌肉上，电极片另一端连接到一个前置放大电路板上，前置放大电路板与STM32相连接；STM32将采集到的sEMG信号通过串口发送到电脑端，获取到原始数据集；其中，电极片放置在人体皮肤表面即可记录皮肤表面因肌肉收缩而产生得微弱得电位差，再通过肌电采集电路放大和转换形成可用作处理的表面肌电信号；数据预处理：对原始数据集进行数据降噪及滑动窗口分割数据，获取单通道的数据量；提取时域特征：对每个单通道内的数据进行时域特征提取；其中，时域特征包括均方根、平均绝对值、波形长度、过零点次数及信号斜率正负值变化次数五个时域特征；获取肌电图像：将提取的时域特征转换为图的形式，即肌电图像e，将肌电图像切分为多个等尺寸大小的子肌电图像ei,则ei∈Rm×L，i＝1，...，n且m×n＝c；其中，e∈Rc×L；c表示肌电图像e的宽度；L表示肌电图像e的长度；m表示子肌电图像ei的宽度；提取特征矩阵：利用空间特征模块对肌电图像进行处理，获取特征矩阵；整合手势信息：利用时序特征模块对特征矩阵进行处理，获取整合区分手势局部信息；分类：使用Softmax分类器将整合区分手势局部信息进行映射，进行最终的分类；其中，空间特征模块包括四个卷积流以及设置在卷积流之后的特征融合层；四个卷积流即为四个卷积通道，通过多卷积流提取表面肌电信号的空间特征；其中，四个卷积通道的结构保持一致，均由2个二维卷积层及2个最大池化层构成；四个卷积通道的第一个卷积层是由32个卷积核组组成，大小为3×3，步长为1；四个卷积通道的第二个卷积层是由64个卷积核组成，大小为3×3，步长为1；每一个卷积层均使用激活函数ReLU；每个卷积通道的最后一层之后随机丢弃为0.2；将四个卷积通道输出的表面肌电信号的空间特征y1，y2，y3及y4输入到特征融合层进行特征融合，生成新的特征矩阵Y，具体公式如下：Y＝Concaty1，y2，y3，y4；时序特征模块包括GRU、注意力机制层及全连接层；其中，GRU用于从新的特征矩阵中捕获时间序列上的长期依赖，获取从GRU网络中学习到的序列特征ht,t∈[1，n]；注意力机制层用于使用tanh函数计算每个从GRU网络中学习到的序列特征的重要性，得到每个从GRU网络中学习到的序列特征的得分gt，对序列特征的得分gt进行归一化处理得到归一化得分nt，公式为nt＝softmaxgt；最后将从GRU网络中学习到的序列特征ht与归一化得分nt的乘积作为注意力机制的最终输出，记为其中，每个从GRU网络中学习到的序列特征的得分gt计算公式如下：gt＝tanhWT*ht+b；其中，WT为权重向量；T表示为矩阵的转置；b为偏差；gt表示第t个序列特征的得分；全连接层设置在注意力机制层之后，用于整合区分手势的局部信息。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) sEMG信号分类方法、系统、电子设备及存储介质

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