一种针对非理想sEMG信号的模型训练数据优化方法技术

本发明专利技术涉及一种针对非理想sEMG信号的模型训练数据优化方法，采集sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；对滤波预处理后的sEMG信号通过最大面积法进行标签修正；对标签修正后的sEMG信号进行特征值提取，并对提取到的特征值进行归一化处理；通过LDA分类方法对归一化处理后的特征值进行降维，并训练分类模型。本发明专利技术实现对非理想sEMG数据的优化，使得所训练的模型更加准确。最后，通过实验组与对照组的对比实验，证明对于数据优化后所训练的模型而言，其训练时间、特征值维数、单次分类时间大大降低，分类正确率也取得了一定程度的提高，验证了所提出方法的有效性。

【技术实现步骤摘要】
一种针对非理想sEMG信号的模型训练数据优化方法
本专利技术涉及生物信号识别技术与医疗康复训练机器人领域，具体地说是一种针对非理想sEMG信号的模型训练数据优化方法。
技术介绍
脑卒中是一种较为常见的脑血管疾病，是由于出血而导致的急性的、局部的脑损害。脑卒中患者通常会并发神经功能损伤，其中最为常见的症状为偏瘫，即患侧麻木无力、半身不遂，严重影响了患者的生活自理能力。医学研究表明，有效的康复训练能够刺激患者神经功能的恢复，加快患者康复治疗的进程。传统的康复治疗方法是由康复医师对患者的功能受损部位进行连续的康复屈伸训练，但这种重复性的工作不仅增加康复医师的工作负担，也加重患者的经济负担。由于康复机器人能够节约社会资源、节省人力、降低患者的治疗成本，目前已经成为了国际机器人领域的一个研究热点。肌电信号是产生肌肉力的电信号根源，而人体表面肌电(SurfaceElectromyography，sEMG)信号是肌电信号于人体皮肤表面的外在表现，包含很多肌肉活动的重要信息，可以反映出人体肌肉的运动意图。由于sEMG具有实时、便捷、无创等特点，更适用于助老助残等康复领域，已经成为人机交互的重要方法之一。在利用sEMG进行康复机器人的控制时，往往需要先采集sEMG完成模型的训练。但是，由于心电信号、环境干扰和工频干扰的存在，采集到的sEMG往往都具有很强的噪声存在。尤其是对于患者而言，其患侧sEMG幅值十分微弱，更易受到噪声的干扰；在利用sEMG进行人机交互时，首先需要利用采集到的sEMG数据进行分类模型的训练，得到的分类模型才能在线地进行运动意图的辨识，进而向康复机器人发送控制信号。但是，由于sEMG信号比较微弱，在采集过程中十分容易受到环境噪声、工频噪声等的干扰，尤其对于患者而言，其患侧的sEMG信号在采集时更易受到影响；另外，由于患者精神不集中、反应速度差、难以长时间控制患侧肢体保持在某一动作，致使采集到的sEMG信号极易出现标签与实际动作类别不一致的情况，严重影响训练模型所需数据的准确度，从而导致模型训练不准确，在线进行运动意图辨识时分类效果较差。
技术实现思路
针对现有技术的不足，本专利技术提供一种针对非理想sEMG信号的模型训练数据优化方法，可以提高动作分类模型的分类正确率。本专利技术为实现上述目的所采用的技术方案是：一种针对非理想sEMG信号的模型训练数据优化方法，包括以下步骤：步骤1：采集sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；步骤2：对滤波预处理后的sEMG信号通过最大面积法进行标签修正；步骤3：对标签修正后的sEMG信号进行特征值提取，并对提取到的特征值进行归一化处理；步骤4：通过LDA分类方法对归一化处理后的特征值进行降维，并训练分类模型。所述添加标签为：对于不同动作类别下采集到的sEMG信号，对应添加相应类别的标签，用于区分不同动作类别。所述滤波预处理包括：使用限幅处理去除尖峰噪声，使用陷波器去除工频噪声以及使用巴特沃兹带通滤波器滤除sEMG信号中的高频噪声。所述通过最大面积法进行标签修正包括：步骤2.1:对滤波预处理后的sEMG信号取绝对值后求和，得到每一时刻的sEMG信号的总能量；步骤2.2:在采集到的sEMG信号序列上，在设定修正时间窗下，以固定修正增量窗求取该修正时间窗内的能量总和，生成能量和序列；步骤2.3:将能量和序列中最大值对应修正时间窗内的sEMG信号作为当前动作类别的有效sEMG信号，对其添加当前动作类别的标签，并将当前动作类别下除有效sEMG信号外的sEMG信号作为静息状态下的sEMG信号。所述修正时间窗设定为略小于采集sEMG信号时当前动作的维持时间。所述特征值提取包括：在设定时间窗下，以固定增量窗依次提取相应时间窗下的sEMG信号，对其提取均方根，零穿越次数，自回归模型二阶系数以及自回归模型三阶系数作为该时间窗内的特征向量。本专利技术具有以下有益效果及优点：本专利技术实现对非理想sEMG数据的优化，使得所训练的模型更加准确。最后，通过实验组与对照组的对比实验，证明对于数据优化后所训练的模型而言，其训练时间、特征值维数、单次分类时间大大降低，分类正确率也取得了一定程度的提高，验证了所提出方法的有效性。附图说明图1为本专利技术的方法流程图；图2为本专利技术中进行方法说明与验证时sEMG采集电极的粘贴位置图；图3为本专利技术中进行方法说明与验证时采集sEMG的流程图；图4为标签修正预处理前后sEMG信号所加标签的对比图；图5为“时间窗+增量窗”的特征值提取方式示意图；图6为经过归一化处理后的特征值波形图；图7为对该方法进行对比实验验证时的结果图。具体实施方式下面以基于脑卒中患者患侧sEMG的手部动作识别为例，结合附图及实施例对本专利技术做进一步的详细说明。如图1所示为本专利技术的方法流程图。一种针对非理想sEMG信号的模型训练数据优化方法，包括sEMG的信号采集、滤波预处理、标签修正预处理、特征值提取、特征选择与降维几个阶段。进行sEMG信号的采集时，采用图片引导的方式指导受试者做出指定动作，以采集相应动作的sEMG信号。考虑到患者难以长时间保持某一动作，为了获得到足够的模型训练所需数据量，采用运动动作与放松状态交替进行的采集方式。在采集sEMG信号的同时，根据图片引导为采集到的sEMG信号添加标签，后期通过数据剪接的方式获得到相应动作类别的模型训练数据样本。进行sEMG信号的滤波预处理时，首先使用限幅处理以去除尖峰噪声，然后使用陷波器去除50Hz的工频噪声干扰，最后使用巴特沃兹带通滤波器以滤除sEMG信号中的高频噪声。由于由于患者精神不集中、反应速度差等原因，采集时为sEMG信号添加的动作类型标签往往与患者实际作出动作时的动作类别不一致。针对这一问题，提出最大面积法对标签加以修正，使得训练分类模型时所使用的数据标签更加准确，从而保证模型训练的准确性。进行sEMG信号的特征提取时，使用“时间窗+增量窗”的方式，以保证提取特征值的连续性。这里使用到的特征值包括RMS、ZC和ARC二阶系数、ARC三阶系数，其定义如下：其中|xi-xi+1|＞ε其中ak,k＝1,...,p是AR模型的系数，ei表示高斯白噪声对于提取到的特征值，采用min-max标准化对原始特征进行归一化处理，以确保各个特征之间不受量纲和数量级的影响。由于六个通道形成的特征向量为24维，为了防止模型训练的过拟合问题、节约在线判别阶段的计算资源和运算时间，利用皮尔逊相关系数衡量特征向量之间的相关性，对特征值进行遴选，以实现对特征向量的降维。步骤1：sEMG的采集在不同的肌电识别应用场景下，往往选择不同的动作类型进行识别，而针对不同的动作识别，电极的粘贴位置会很大程度上影响动作的识别正确率。这本文档来自技高网...

【技术保护点】
1.一种针对非理想sEMG信号的模型训练数据优化方法，其特征在于，包括以下步骤：/n步骤1：采集sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；/n步骤2：对滤波预处理后的sEMG信号通过最大面积法进行标签修正；/n步骤3：对标签修正后的sEMG信号进行特征值提取，并对提取到的特征值进行归一化处理；/n步骤4：通过LDA分类方法对归一化处理后的特征值进行降维，并训练分类模型。/n

【技术特征摘要】
1.一种针对非理想sEMG信号的模型训练数据优化方法，其特征在于，包括以下步骤：
步骤1：采集sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；
步骤2：对滤波预处理后的sEMG信号通过最大面积法进行标签修正；
步骤3：对标签修正后的sEMG信号进行特征值提取，并对提取到的特征值进行归一化处理；
步骤4：通过LDA分类方法对归一化处理后的特征值进行降维，并训练分类模型。


2.根据权利要求1所述的针对非理想sEMG信号的模型训练数据优化方法，其特征在于：所述添加标签为：对于不同动作类别下采集到的sEMG信号，对应添加相应类别的标签，用于区分不同动作类别。


3.根据权利要求1所述的针对非理想sEMG信号的模型训练数据优化方法，其特征在于：所述滤波预处理包括：使用限幅处理去除尖峰噪声，使用陷波器去除工频噪声以及使用巴特沃兹带通滤波器滤除sEMG信号中的高频噪声。


4.根据权利要求1所述的针对非理想sEMG信号的模型训练数据...

【专利技术属性】
技术研发人员：赵新刚，姚杰，马乐乐，张弼，赵明，徐壮，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁;21