一种基于集成深度学习的肌电信号手部运动识别方法技术

本发明专利技术公开了一种基于集成深度学习的肌电信号手部运动识别方法，首先对连续肌电信号进行窗口化分割。接着对肌电信号进行预处理，使用离散傅里叶变换提取肌电信号的频域表示数据，使用离散小波包变换提取肌电信号的时频域表示数据，使用min‑max方式对肌电信号时域、频域和时频域数据进行标准化。然后基于卷积神经网络设计了初级分类器模型，分别使用时域、频域和时频域表示数据训练三个初级分类器。最后基于Stacking的方法设计次级分类器，将三个初级分类生成的结果拼接，并用于次级分类器的训练，本发明专利技术避免了人工提取特征时重要信息的遗漏，提高了肌电信号手部运动识别的准确率。

【技术实现步骤摘要】
一种基于集成深度学习的肌电信号手部运动识别方法
本专利技术涉及一种基于集成深度学习的肌电信号手部运动识别方法，属于深度学习、信号处理和模式识别领域。
技术介绍
肌电信号是由人体的肌肉运动所产生的生物电信号的叠加。大量研究表明，使用肌电信号可以检测人体的运动意图。肌电信号的动作识别可以应用于手部假肢控制、轮椅控制、外骨骼以及虚拟交互等非入侵性的人机交互系统。随着传感器技术的发展，肌电信号的采集越来越稳定。因此，肌电信号的分析与识别也更加的受到关注，提升肌电信号识别的准确率也成为亟待解决的问题。目前，大多数研究者都采用特征工程和机器学习的方法来对肌电信号进行分析与识别。例如R.Meattini等人利用滑动窗口的方式提取信号的均方根值特征，并且使用支持向量机模型进行训练与识别，在机械手抓握任务中取得了90％的准确率。但采用特征工程的方法来对肌电信号进行特征提取，难免会遗漏信号中比较重要的特征信息，从而影响肌电信号识别的准确率。
技术实现思路
专利技术目的：为了克服现有的肌电信号识别技术下特征提取会遗漏信号中重要信息和识别准确率不高的问题，本专利技术提供一种基于集成深度学习的肌电信号手部运动识别方法，利用了卷积神经网络强大的特征提取能力来对肌电信号进行特征提取。本专利技术采用了卷积神经网络和Stacking集成学习的方法自动提取肌电信号的特征，提升了肌电信号识别的准确率。采用Stacking集成学习的方法来集成三个初级分类器，以进一步提高肌电信号识别的准确率。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于集成深度学习的肌电信号手部运动识别方法，包括以下步骤：步骤1、采集肌电信号，使用重叠加窗的方式对连续肌电信号进行分割；步骤2、根据分隔后的肌电信号分别提取肌电信号的频域表示数据和时频域表示数据，然后使用min-max的方法对时域、频域和时频域数据进行标准化；其计算公式分别如下：离散傅里叶变换：离散小波包变换：min-max标准化方法：其中，X(k)为离散傅里叶变换之后的信号，x(n)为肌电信号时域数据，N为窗口长度，e表示自然底数，j表示虚数单位，k表示样本的索引，xa,L1[n]表示上一级的低频部分进行小波包变换后的低频部分，K表示样本的点数，g[k]表示低频滤波,xa,L2[n]表示对上一级的低频部分进行小波包变换后的高频部分，h[k]表示高频滤波，xa,H1[n]表示对上一级的高频部分进行小波包变换后的低频部分，xa,H2[n]表示对上一级的高频部分进行小波包变换后的高频部分，xnormalization为标准化之后的数据，x为样本原始数据，xmax为样本数据的最大值，xmin为样本数据最小值；步骤3、将经过标准化的时域、频域和时频域肌电信号用于训练三个初级分类器，并且分别输出三个初级分类器的预测结果；所述的初级分类器为基于卷积神经网络的肌电信号特征提取与分类模型，基于卷积神经网络的肌电信号特征提取与分类模型包括Input层(输入层)、IMS层(初始-最大池化-压缩与激励层)、Full-connected层(全连接层)以及Output层(输出层)，所述初级分类器的IMS层主要由InceptionBlock(初始模块)、MaxPoolingBlock(最大池化模块)和SEBlock(压缩和激励模块)组成；所述初级分类器的IMS层中的InceptionBlock由三个并行的卷积操作和一个级联的数据降维操作组成，并行卷积操作的第一个分支采用一层卷积层，其卷积核大小为1*1；并行卷积操作的第二个分支采用一个卷积层，其卷积核大小为1*3；并行卷积操作的第三个分支采用两层卷积层级联，其卷积核大小均为1*3；数据降维操作采用一层数据连接层和一层卷积层级联组成，其卷积核大小为1*1；InceptionBlock具体计算公式如下：其中，为第i个样本的第j类输出，Fconv(x,[m,n,filters])为使用尺寸为[m,n,filters]的卷积核对样本进行的卷积运算，x(i)表示第i个样本，m，n表示滤波器的宽和高，filters表示滤波器的个数，Concat(x1,x2,…)为针对输入样本进行连接的操作，为第i个样本的输出；步骤4、将三个初级分类器输出的分类结果进行数据拼接，用于训练次级分类器，最后由次级分类器输出手部运动分类的结果，所述的次级分类器主要为基于Stacking方法(堆叠方法)的神经网络分类模型；步骤5、在进行肌电信号手部运动推理时，首先基于步骤1、2对肌电信号进行预处理，然后将数据经过步骤3训练好的初级分类器进行预测，最后将训练好的初级分类器预测的结果进行拼接，并且经过步骤4训练好的次级分类器进行分类，以获得手部运动分类的最后结果。优选的：步骤1中采用的窗长为200ms，窗口增量为100ms。优选的：步骤4中基于Stacking方法的神经网络分类模型包括：Input层(输入层)、SEBlock(压缩和激励模块)、Full-connected层(全连接层)、Dropout层(舍弃层)以及Output层(输出层)。本专利技术相比现有技术，具有以下有益效果：(1)本专利技术通过卷积神经网络来提取肌电信号的特征，无需进行人工特征提取，有效的避免了信号中有效信息的遗漏。(2)本专利技术通过Stacking集成学习的方式，对三个初级分类器进行集成，有效的提升了肌电信号识别的准确率。(3)本专利技术中提出的方法的适用面广，适用性强，稍作修改便可应用于别的应用场合。附图说明图1为本专利技术的初级分类器的InceptionBlock结构图图2为本专利技术的初级分类器的SEBlock结构图图3为本专利技术的初级分类器的IMS层结构图图4为本专利技术的初级分类器的整体结构图图5为本专利技术的次级分类器的整体结构图图6为本专利技术的肌电信号手部运动推理流程图具体实施方式下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。一种基于集成深度学习的肌电信号手部运动识别方法，包括以下步骤：步骤1、采集肌电信号，对连续肌电信号使用重叠窗口化的方法进行分割，采用的窗口长度为200ms，窗口的增量为100ms。步骤2、在上述分割完成的肌电信号的基础上，使用离散傅里叶变换和离散小波变换提取肌电信号的频域和时频域表示，并且使用min-max标准化方法对时域、频域和时频域数据进行了标准化，具体处理公式如下：离散傅里叶变换：离散小波包变换：min-max标准化方法：其中X(k)为离散傅里叶变换之后的信号，x本文档来自技高网...

【技术保护点】
1.一种基于集成深度学习的肌电信号手部运动识别方法，其特征在于，包括以下步骤：/n步骤1、采集肌电信号，使用重叠加窗的方式对连续肌电信号进行分割；/n步骤2、根据分隔后的肌电信号分别提取肌电信号的频域表示数据和时频域表示数据，然后使用min-max的方法对时域、频域和时频域数据进行标准化；其计算公式分别如下：/n离散傅里叶变换：/n

【技术特征摘要】
1.一种基于集成深度学习的肌电信号手部运动识别方法，其特征在于，包括以下步骤：
步骤1、采集肌电信号，使用重叠加窗的方式对连续肌电信号进行分割；
步骤2、根据分隔后的肌电信号分别提取肌电信号的频域表示数据和时频域表示数据，然后使用min-max的方法对时域、频域和时频域数据进行标准化；其计算公式分别如下：
离散傅里叶变换：



离散小波包变换：












min-max标准化方法：



其中，X(k)为离散傅里叶变换之后的信号，x(n)为肌电信号时域数据，N为窗口长度，e表示自然底数，j表示虚数单位，k表示样本的索引，xa,L1[n]表示对上一级的低频部分进行小波包变换后的低频部分，K表示样本的点数，g[k]表示低频滤波,xa,L2[n]表示对上一级的低频部分进行小波包变换后的高频部分，h[k]表示高频滤波，xa,H1[n]表示对上一级的高频部分进行小波包变换后的低频部分，xa,H2[n]表示对上一级的高频部分进行小波包变换后的高频部分，xnormalization为标准化之后的数据，x为样本原始数据，xmax为样本数据的最大值，xmin为样本数据最小值；
步骤3、将经过标准化的时域、频域和时频域肌电信号用于训练三个初级分类器，并且分别输出三个初级分类器的预测结果；所述的初级分类器为基于卷积神经网络的肌电信号特征提取与分类模型，基于卷积神经网络的肌电信号特征提取与分类模型包括输入层、初始-最大池化-压缩与激励层、全连接层以及输出层，所述初级分类器的初始-最大池化-压缩与激励层主要由初始模块、最大池化模块和压缩和激励模块组成；所述初级分类器的初始-最大池化-压缩...

【专利技术属性】
技术研发人员：沈澍，顾康，李文娟，顾永杰，刘光源，王思宇，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32