一种基于卷积神经网络的表面肌电信号分类方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的表面肌电信号分类方法及系统。该方法包括：对各通道的肌电信号进行预处理；对各通道预处理后的肌电信号进行特征信息提取；每个通道提取出多种特征信息；将不同通道内提取到的相同种类的特征信息进行组合，生成多组二维数据；每组二维数据只包含一种特征信息；构建卷积神经网络模型；卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层；通过多组二维数据训练卷积神经网络模型；通过训练好的卷积神经网络模型对表面肌电信号进行分类，识别出手势动作。本发明专利技术通过对多通道的肌电信号进行特征信息提取，扩充数据维度，借助卷积神经网络的高精度分类优势，提升了表面肌电信号的分类识别准确度。

【技术实现步骤摘要】
一种基于卷积神经网络的表面肌电信号分类方法及系统
本专利技术涉及肌电信号分类领域，特别是涉及一种基于卷积神经网络的表面肌电信号分类方法及系统。
技术介绍
表面肌电信号是在人体运动过程中在皮肤表面获取的生物电信号，其在人机接口、康复医疗、游戏娱乐中均具有广泛的应用前景。其中基于肌电信号的动作分类识别是这些应用中一项重要的环节，也是肌电信号能够广泛应用的前提条件。目前基于肌电信号的动作分类方法主要包括信号获取、信号预处理、特征信息提取和分类等步骤。其中，特征信息提取通常采用基于经验的手动特征提取方法进行；分类步骤作为最为关键的一步，常用的方法包括隐马尔科夫模型、线性判别分析、支持向量机、随机森林等。近期，卷积神经网络算法也被用于肌电信号分类中，分类精度得到了大幅提升，尤其是基于高密度的肌电信号。但是，基于稀疏肌电信号的动作分类由于空间分辨率低，不能很好的将数据转化为卷积神经网络的数据格式，仍然面临着分类识别精度低的问题。
技术实现思路
本专利技术的目的是提供一种基于卷积神经网络的表面肌电信号分类方法及系统，用以提本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的表面肌电信号分类方法，其特征在于，所述方法包括：/n对各通道的肌电信号进行预处理；/n对各通道预处理后的肌电信号进行特征信息提取；每个通道提取出多种特征信息；/n将不同通道内提取到的相同种类的特征信息进行组合，生成多组二维数据；每组二维数据只包含一种特征信息；/n构建卷积神经网络模型；所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层；/n通过多组所述二维数据训练所述卷积神经网络模型；/n通过训练好的卷积神经网络模型对表面肌电信号进行分类，识别出手势动作。/n

【技术特征摘要】
1.一种基于卷积神经网络的表面肌电信号分类方法，其特征在于，所述方法包括：
对各通道的肌电信号进行预处理；
对各通道预处理后的肌电信号进行特征信息提取；每个通道提取出多种特征信息；
将不同通道内提取到的相同种类的特征信息进行组合，生成多组二维数据；每组二维数据只包含一种特征信息；
构建卷积神经网络模型；所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层；
通过多组所述二维数据训练所述卷积神经网络模型；
通过训练好的卷积神经网络模型对表面肌电信号进行分类，识别出手势动作。


2.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法，其特征在于，所述对各通道的肌电信号进行预处理包括噪声滤除和动作分割处理。


3.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法，其特征在于，所述多种特征信息包括时域、频域以及时频域三种类型的多种特征信息；时域特征信息包括：原始信号、均值、标准差以及波长变化；频域特征信息为傅里叶变换数据；时频域特征信息为基于小波变换得到的小波系数。


4.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法，其特征在于，在所述对各通道预处理后的肌电信号进行特征信息提取，之后还包括：采用最邻近插值技术将长度较短的特征信息进行补长，使各特征信息长度相同。


5.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法，其特征在于，所述通过多组所述二维数据训练所述卷积神经网络模型，具体包括：
将多组所述二维数据输入至所述卷积神经网络模型，得到输出结果；
判断所述输出结果与目标参考值的误差是否在阈值范围内；
若是，则确定所述卷积神经网络模型为训练好的卷积神经网络模型；
若否，则采用交叉熵损失函数和Adam优化器调整所述卷积神经网络模型，使所述输出结果与所述目标参考值的误差在所述阈值范围内。


6.一种基于卷积神经网络的表面肌电信号分类系统，其特征在于，所述系统包括：
预处理模块，用于对...

【专利技术属性】
技术研发人员：彭福来，李卫民，王海滨，王星博，贾宁涛，
申请(专利权)人：山东中科先进技术研究院有限公司，
类型：发明
国别省市：山东;37