【技术实现步骤摘要】
一种基于RNN-CNN的EMG信号分类系统及方法
[0001]本专利技术属于EMG信号
,具体涉及一种基于RNN-CNN的EMG信号分类系统及方法。
技术介绍
[0002]肌电信号是产生肌肉力的电信号根源,它是肌肉中很多运动单元动作电位在时间和空间上的叠加,反映了神经,肌肉的功能状态,在基础医学研究、临床诊断和康复工程中有广泛的应用。
[0003]但是在实际采集EMG信号过程中,EMG信号极易受到外界因素影响,如动作幅度大小,检测设备穿戴位置,不同人的运动习惯等都会对EMG信号造成较大干扰,导致识别效果不佳。目前的EMG信号分类方法泛化性能弱,无法广泛的适用于各种人群。
技术实现思路
[0004]针对上述目前的EMG信号分类方法泛化性能弱的技术问题,本专利技术提供了一种精度高、识别效果好、抗干扰能力强的基于RNN-CNN的EMG信号分类系统及方法。
[0005]为了解决上述技术问题,本专利技术采用的技术方案为:
[0006]一种基于RNN-CNN的EMG信号分类系统,包括数据采集模块、数据预处理模块、识别模型模块、模型保存模块,所述数据采集模块连接有数据预处理模块,所述数据预处理模块连接有识别模型模块,所述识别模型模块连接有模型保存模块。
[0007]所述数据预处理模块包括加噪模块、归一化模块、数据切割模块、统一数据尺度模块,所述加噪模块连接有归一化模块,所述归一化模块连接有数据切割模块,所述数据切割模块连接有统一数据尺度模块。
[0008]所述识别模型模 ...
【技术保护点】
【技术特征摘要】
1.一种基于RNN-CNN的EMG信号分类系统,其特征在于:包括数据采集模块(1)、数据预处理模块(2)、识别模型模块(3)、模型保存模块(4),所述数据采集模块(1)连接有数据预处理模块(2),所述数据预处理模块(2)连接有识别模型模块(3),所述识别模型模块(3)连接有模型保存模块(4)。2.根据权利要求1所述的一种基于RNN-CNN的EMG信号分类系统,其特征在于:所述数据预处理模块(2)包括加噪模块(201)、归一化模块(202)、数据切割模块(203)、统一数据尺度模块(204),所述加噪模块(201)连接有归一化模块(202),所述归一化模块(202)连接有数据切割模块(203),所述数据切割模块(203)连接有统一数据尺度模块(204)。3.根据权利要求1所述的一种基于RNN-CNN的EMG信号分类系统,其特征在于:所述识别模型模块(3)采用三层结构,所述三层结构分别为RNN层(301)、CNN层(302)、全连接层(303),所述RNN层(301)采用LSTM单元构建,所述RNN层(301)连接有数据预处理模块(2),所述CNN层(302)连接有RNN层(301),所述全连接层(303)连接有CNN层(302)。4.一种基于RNN-CNN的EMG信号分类方法,其特征在于:包括下列步骤:S100、采集EMG信号数据,并根据采集动作的不同进行类别划分和标注,完成模型训练所需数据集的构建;S200、对构建的所述数据集进行预处理,以满足模型训练数据要求;S300、采用深度学习方法搭建识别模型,通过输入训练数据,完成参数模型的搭建;S400、当模型的损失函数不再降低之后,保存数据模型。5.根据权利要求4所述的一种基于RNN-CNN的EMG信号分类方法,其特征在于:所述S100中完成模型训练所需数据集的构建的方法为:包括下列步骤:S101、将数据集复制三份,第一份数据集不做处理,给第二份数据集的数据增加该条数据S最大值5%的噪声,给第三份数据集的数据增加该条数据最大值10%的噪声,之后将三份数据集并打乱;S1...
【专利技术属性】
技术研发人员:潘晓光,王宇琦,王小华,令狐彬,焦璐璐,张娜,
申请(专利权)人:山西三友和智慧信息技术股份有限公司,
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。