【技术实现步骤摘要】
本专利技术属于数据表示、分类及电信号处理，涉及一种基于数据检验以及可控特征选择的分类系统及方法。
技术介绍
1、随着信息技术的飞速发展和数字化转型的加速，数据以惊人的速度增长。这种数据大爆炸不仅带来了丰富的信息资源，同时也对数据处理、分析和利用提出了前所未有的挑战。数据的复杂性、多样性和海量性使得传统的数据处理方法难以应对，亟需新的技术和方法来提高数据处理的效率和准确性。在各行各业中，分类是一项基础且重要的任务。无论是金融、电信、工业生产还是生物医药等领域，都需要对数据进行分类以提取有价值的信息或知识。数据质量是分类结果准确性的重要保障。然而，在实际应用中，数据往往存在缺失、异常、噪声等问题，这些问题会严重影响分类模型的性能。因此，在分类之前进行数据检验是必不可少的步骤。因此，需要一种更加高效、准确的分类方法来应对这些挑战。通过数据检验，可以及时发现并处理数据中的问题，确保分类模型的输入数据是准确、可靠的。此外，在分类任务中，通过特征选择，可以排除冗余、无关或噪声特征，提高分类模型的性能和效率。同时，特征选择还可以减少计算成本和存储需求，使得分类模型更加易于实现和部署。
技术实现思路
1、本专利技术的目的在于针对现有分类方法存在的数据检验不充分、特征提取不全面的问题，提出了一种基于数据检验以及可控特征选择的分类系统及方法。
2、为了达到上述目的，本专利技术采取如下技术方案：
3、作为本专利技术的一方面，提出了一种i/o控制模块，接收数据预处理的数据并选择输出
4、所述前序及源特征选择单元，选择通道选择并模数转换后的数据或通道选择、模数转换再带通滤波后的数据作为提取前序特征的数据；选择峰值包络作为提取源特征的数据；所述峰值包络经通道选择、模数转换再带通滤波后数据经自相关检验、活动段检测后再经峰值提取得到。
5、所述高阶类特征选择单元，通过选择通道选择后数据的低通滤波输出数据、通道选择后数据经带通滤波后自相关检验再活动段检测的输出数据、通道选择后模数转换再低通滤波后静止检测后的输出数据以及通道选择后模数转换再带通滤波后数据经自相关检验、活动段检测后的输出数据作为提取动态及疲劳特征的数据；通过选择通道选择后数据经带通滤波及自相关检验再活动段检测的输出数据、解析包络以及通道选择后模数转换再带通滤波后数据经自相关检验、活动段检测后的输出数据作为提取高阶特征的数据。
6、所述解析包络经通道选择、模数转换再带通滤波后数据经自相关检验、活动段检测后再经包络解析提取得到。
7、所述静止检测的输入数据为通道选择后数据经低通滤波的输出数据；归一化的输入数据为通道选择后数据经低通滤波后静止检测后的输出数据。
8、作为本专利技术的另一方面，本专利技术提出了一种基于数据检验以及可控特征选择的分类系统，包括数据采集模块、数据预处理模块、特征提取模块、特征交叉单元以及机器学习分类模块，所述数据采集模块的输出给数据预处理模块进行数据预处理；所述特征提取模块接收数据预处理后再经选择用于特征提取模块提取表面肌肉电、高阶类以及惯性特征；所述提取的表面肌肉电、高阶类以及惯性特征输入特征交叉单元进行特征交叉后，输出给机器学习分类模块分类，其特征在于，还包括i/o控制模块，i/o控制模块为第一方面所述的i/o控制模块，数据预处理模块的输出为i/o控制模块的输入，所述i/o控制模块接收数据预处理模块的输出并选择能提取表面肌肉电、高阶类以及惯性特征的数据输出给特征提取模块。
9、所述系统依托特征提取模块实现了多维度特征提取，包括表面肌电特征、前序特征、源特征、动态特征、疲劳特征、高阶特征和姿态角特征，全面刻画了信号特征；
10、所述数据预处理模块用于对采集的原始信号进行预处理操作，包括带通滤波单元、低通滤波单元、静止检测单元、包络处理单元和归一化单元，其特征在于，还包括用于实现数据检验的自相关性检验单元以及活动段检测单元；
11、所述自相关性检验单元通过计算通道选择后数据经带通滤波后表面肌电数据的自相关性筛选去除无明显变化数据；所述活动段检测单元划分通道选择后数据经带通滤波后自相关检验的数据，再基于样本熵及斜率变化次数保留活动段；所述划分使用滑动窗口法对数据分段，所述数据分段的取值范围40到160；滑动步长范围为10到60。
12、所述数据采集模块，用于采集表面肌电和姿态角模拟信号，包括多通道表面肌肉电极、通道选择单元、九轴惯性测量单元和模数转换单元并经通道及轴数选择后转换模拟信号为数字信号；所述通道选择单元分别与多通道表面肌肉电极、九轴惯性测量单元相连；用于选择表面肌电对应通道和九轴惯性测量单元及轴数并输出表面肌电和姿态角模拟信号；所述模数转换单元与带通滤波单元及低通滤波单元相连，用于转换表面肌电及姿态角模拟信号为数字信号；所述包络处理单元进行解析包络和峰值包络提取；
13、所述特征提取模块，包括表面肌电特征提取单元、疲劳特征提取单元、高阶类特征提取单元和惯性特征提取单元，用于提取多维度特征；所述表面肌电特征提取单元用于前序特征提取和源特征提取；所述惯性特征提取单元用于姿态特征提取；所述前序特征提取和源特征提取与i/o控制模块中前序及源特征选择单元相连；所述动态特征提取单元和高阶特征提取单元同时与疲劳特征提取单元相连；所述惯性特征提取单元与i/o控制模块中姿态特征选择单元相连；所述特征交叉单元，用于进行特征的筛选与组合；所有特征提取模块的输出与特征交叉单元相连；所述机器学习分类模块利用交叉筛选后的特征进行信号智能分类。
14、作为本专利技术的第三方面，提出了一种基于数据检验以及可控特征选择的分类方法，应用第二方面提供的基于数据检验以及可控特征选择的分类系统，包括如下步骤：
15、s1、采集受试者的表面肌电信号和姿态角信号，经模数转换得到表面肌电和姿态数据；具体实施时，s1通过数据采集模块实现；
16、s2、对s1获取的数据进行滤波、自相关性检验、活动段检测、静止检测和包络处理，得到预处理后数据；具体实施时，s2通过数据预处理模块实现；
17、s3、根据预设条件选择需要提取的特征类型；具体实施时，s3通过i/o控制模块实现；
18、s4、根据s3的预设条件选择，从预处理后数据中提取多维度特征；具体实施时，s4通过特征提取模块实现；
19、s5、对提取的多维度特征进行筛选和组合本文档来自技高网...
【技术保护点】
1.一种I/O控制模块，其特征在于，接收数据预处理的数据并选择输出用于特征提取，包括相互独立的前序及源特征选择单元、高阶类特征选择单元和姿态选择单元；所述前序及源特征选择单元选择峰值包络或/和通道选择后数据的带通滤波输出数据用于特征提取；所述高阶类特征选择单元选择通道选择后数据的低通滤波输出数据或/和通道选择后数据经带通滤波及自相关检验的输出数据或/和通道选择后数据经带通滤波、自相关检验再活动段检测的输出数据或/和通道选择后数据经低通滤波及静止检测后的输出数据用于特征提取；所述姿态选择单元选择通道选择后数据经低通滤波和/或静止检测和/或归一化后的输出数据用于特征提取。
2.根据权利要求1所述的一种I/O控制模块，其特征在于，所述前序及源特征选择单元，选择通道选择并模数转换后的数据或通道选择、模数转换再带通滤波后的数据作为提取前序特征的数据；选择峰值包络作为提取源特征的数据；所述峰值包络经通道选择、模数转换再带通滤波后数据经自相关检验、活动段检测后再经峰值提取得到。
3.根据权利要求1所述的一种I/O控制模块，其特征在于，所述高阶类特征选择单元，通过选择通道
4.根据权利要求3所述的一种I/O控制模块，其特征在于，所述解析包络经通道选择、模数转换再带通滤波后数据经自相关检验、活动段检测后再经包络解析提取得到。
5.根据权利要求1所述的一种I/O控制模块，其特征在于，所述静止检测的输入数据为通道选择后数据经低通滤波的输出数据；归一化的输入数据为通道选择后数据经低通滤波后静止检测后的输出数据。
6.一种基于数据检验以及可控特征选择的分类系统，包括数据采集模块、数据预处理模块、特征提取模块、特征交叉单元以及机器学习分类模块，所述数据采集模块的输出给数据预处理模块进行数据预处理；所述特征提取模块接收数据预处理后再经选择用于特征提取模块提取表面肌肉电、高阶类以及惯性特征；所述提取的表面肌肉电、高阶类以及惯性特征输入特征交叉单元进行特征交叉后，输出给机器学习分类模块分类，其特征在于，还包括I/O控制模块，所述I/O控制模块为权利要求1至5任意一项所述的I/O控制模块，数据预处理模块的输出为I/O控制模块的输入，所述I/O控制模块接收数据预处理模块的输出并选择能提取表面肌肉电、高阶类以及惯性特征的数据输出给特征提取模块。
7.根据权利要求6所述的一种基于数据检验以及可控特征选择的分类系统中的数据预处理模块用于对采集的原始信号进行预处理操作，包括带通滤波单元、低通滤波单元、静止检测单元、包络处理单元和归一化单元，其特征在于，还包括用于实现数据检验的自相关性检验单元以及活动段检测单元；
8.一种基于数据检验以及可控特征选择的分类方法，应用权利要求6或7所述的基于数据检验以及可控特征选择的分类系统，其特征在于，包括如下步骤：
9.根据权利要求8所述的一种基于数据检验以及可控特征选择的分类方法，其特征在于，S2所述对数据进行滤波，具体为：对通道选择并模数转换后的肌肉电数据及姿态数据分别进行带通滤波和低通滤波；所述自相关性检验，具体为：对通道选择并模数转换后的肌肉电数据进行自相关检验，自相关检验输出的数据用于活动段检测；所述活动段检测，具体为：对通道选择并模数转换后的肌肉电数据进行自相关检验的数据进行再活动段检测，活动段检测输出的数据用于提取包络及提取高阶类特征；所述静止检测，具体为：对通道选择并模数转换后的姿态数据进行低通滤波后的数据进行静止检测，静止检测输出的数据用于高阶类特征提取或归一化后再用于姿态特征选择；所述包络处理，具体为：对选择通道选择并模数转换后的肌肉电数据进行自相关检验后再活动段检测得到的数据提取解析包络和峰值包络，再分别用于高阶类特征选择和前序特征选择。
10.根据权利要求8所述的一种基于数据检验以及可控特征选择的分类方法，其特征在于，S3所述根据预设条件选择需要提取的特征类型，具体为：通过选择通道选择后数据的低通滤波输出数据、通道选择后数据经带通滤波后自相关检验再活动段检测的输出数据、通道选择后模数转换再低通滤波后静止检测后的输出数据以及通道选择后模数转换再带通滤波后数据经自相关检验、活动段检测后的输出数据作...
【技术特征摘要】
1.一种i/o控制模块，其特征在于，接收数据预处理的数据并选择输出用于特征提取，包括相互独立的前序及源特征选择单元、高阶类特征选择单元和姿态选择单元；所述前序及源特征选择单元选择峰值包络或/和通道选择后数据的带通滤波输出数据用于特征提取；所述高阶类特征选择单元选择通道选择后数据的低通滤波输出数据或/和通道选择后数据经带通滤波及自相关检验的输出数据或/和通道选择后数据经带通滤波、自相关检验再活动段检测的输出数据或/和通道选择后数据经低通滤波及静止检测后的输出数据用于特征提取；所述姿态选择单元选择通道选择后数据经低通滤波和/或静止检测和/或归一化后的输出数据用于特征提取。
2.根据权利要求1所述的一种i/o控制模块，其特征在于，所述前序及源特征选择单元，选择通道选择并模数转换后的数据或通道选择、模数转换再带通滤波后的数据作为提取前序特征的数据；选择峰值包络作为提取源特征的数据；所述峰值包络经通道选择、模数转换再带通滤波后数据经自相关检验、活动段检测后再经峰值提取得到。
3.根据权利要求1所述的一种i/o控制模块，其特征在于，所述高阶类特征选择单元，通过选择通道选择后数据的低通滤波输出数据、通道选择后数据经带通滤波后自相关检验再活动段检测的输出数据、通道选择后模数转换再低通滤波后静止检测后的输出数据以及通道选择后模数转换再带通滤波后数据经自相关检验、活动段检测后的输出数据作为提取动态及疲劳特征的数据；通过选择通道选择后数据经带通滤波及自相关检验再活动段检测的输出数据、解析包络以及通道选择后模数转换再带通滤波后数据经自相关检验、活动段检测后的输出数据作为提取高阶特征的数据。
4.根据权利要求3所述的一种i/o控制模块，其特征在于，所述解析包络经通道选择、模数转换再带通滤波后数据经自相关检验、活动段检测后再经包络解析提取得到。
5.根据权利要求1所述的一种i/o控制模块，其特征在于，所述静止检测的输入数据为通道选择后数据经低通滤波的输出数据；归一化的输入数据为通道选择后数据经低通滤波后静止检测后的输出数据。
6.一种基于数据检验以及可控特征选择的分类系统，包括数据采集模块、数据预处理模块、特征提取模块、特征交叉单元以及机器学习分类模块，所述数据采集模块的输出给数据预处理模块进行数据预处理；所述特征提取模块接收数据预处理后再经选择用于特征提取模块提取表面肌肉电、高阶类以及惯性特征；所述提取的表面肌肉电、高阶类以及惯...
【专利技术属性】
技术研发人员：卢继华，尹俪橦，张溢阅，冯立辉，吴尚保，陈仲阳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。