一种基于卷积神经网络的肌电信号特征提取方法技术

本发明专利技术公开了一种基于卷积神经网络的肌电信号特征提取方法。该方法以未经任何处理的原始肌电信号为输入样本，采用预训练与精训练相结合的训练策略，获得一个基于卷积神经网络的特征提取模型。该方法以网络模型中全连接层的输出为全新的肌电特征，该特征可以单独使用，也可以和传统肌电特征结合使用，用于肌电模式分类。利用本发明专利技术的方法获得的肌电特征，可作为传统肌电特征的必要补充，以提高肌电模式分类的准确性和鲁棒性。

A Feature Extraction Method of EMG Signal Based on Convolutional Neural Network

The invention discloses an electromyogram signal feature extraction method based on convolution neural network. In this method, the original EMG signals without any processing are taken as input samples, and a feature extraction model based on convolutional neural network is obtained by combining pre-training with intensive training. This method takes the output of the full connection layer in the network model as a brand-new EMG feature, which can be used alone or in combination with traditional EMG features to classify EMG patterns. The electromyographic characteristics obtained by the method of the present invention can be used as a necessary supplement to the traditional electromyographic characteristics to improve the accuracy and robustness of electromyographic pattern classification.

【技术实现步骤摘要】
一种基于卷积神经网络的肌电信号特征提取方法
本专利技术涉及生理信号处理与分析技术，尤其涉及一种提取肌电信号特征的新方法。
技术介绍
肌电信号是肌肉收缩时产生的微弱电信号。肌肉收缩时产生的电信号经过体内组织的传导，在皮肤表面形成电势变化。当这种电势变化经过放大电路的处理，被采集、存储下来，被称为表面肌电信号。表面肌电信号主要有两方面的用途：1）临床诊断与病理分析；2）人机交互，如假肢手或假肢腿控制。由于肌电信号本质上与用户的执行意图紧密相关，通过合理的方式解码肌电信号可以产生直观的控制命令。相对脑电信号与神经信号，肌电信号比较稳定且信号幅度较大，被公认为最有潜力的假肢末端控制信号源。尽管如此，肌电信号仍然会受到各种不利因素干扰，如肌肉疲劳、电极移位、跨用户差异性等，使得基于肌电信号的人机接口面临稳定性方面的考验。肌电信号本质上是一种随机信号。特征提取是分析肌电信号的一个必要手段。传统肌电信号的特征可分为时域特征、频域特征和时频域特征。然而，综合利用这些特征也并没有解决肌电模式分类精度低、稳定性差的实际问题。以肌电假肢手控制为例，市场上的成功案例仅限于利用双通道肌电实现假肢手的掌控与闭合本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的肌电信号特征提取方法，其特征在于：用于训练卷积神经网络的预训练与精训练；以卷积神经网络中全连接层输出值作为肌电信号特征值，所述卷积神经网络是包含两个卷积层、一个全连接层的多层神经网络。

【技术特征摘要】
1.一种基于卷积神经网络的肌电信号特征提取方法，其特征在于：用于训练卷积神经网络的预训练与精训练；以卷积神经网络中全连接层输出值作为肌电信号特征值，所述卷积神经网络是包含两个卷积层、一个全连接层的多层神经网络。2.根据权利要求1所述的基于卷积神经网络的肌电信号特征提取方法，其特征在于：所述用于训练卷积神经网络的预训练与精训练策略包括如下步骤：步骤一、利用所有受试者的肌电数据，对卷积神经网络进行预训练；步骤二、...

【专利技术属性】
技术研发人员：方银锋，张旭光，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33