连续运动信息预测模型的训练方法及其训练装置、设备制造方法及图纸

本发明专利技术公开了一种连续运动信息预测模型的训练方法及其训练装置、设备。训练方法包括：获取当前时段的训练样本和隐藏状态初始数据，当前时段的训练样本包括当前时段的多个空间位置上的表面肌电特征数据；将当前时段的训练样本和隐藏状态初始数据输入待训练的连续运动信息预测模型，计算得到的当前时段的运动状态预测数据和隐藏状态更新数据；根据获取的当前时段的运动状态真实数据和计算得到当前时段的运动状态预测数据更新损失函数；根据更新后的损失函数对待训练的连续运动信息预测模型的网络参数进行更新。在训练过程中充分利用了表面肌电特征数据的空间维度和时间维度的信息，有利于提高预测模型的准确率，增强实时性。性。性。

【技术实现步骤摘要】
连续运动信息预测模型的训练方法及其训练装置、设备


[0001]本专利技术属于生物信号处理
，具体地讲，涉及连续运动信息预测模型的训练方法及其训练装置、计算机可读存储介质、计算机设备。

技术介绍

[0002]近年来，由于人工智能技术与神经科学的快速发展，从生物电信号中分析人类运动意图成为可能。其中表面肌电由于其包含丰富运动信息、便于采集、无创等特点受到广泛关注。基于表面肌电的连续运动估计也成为实现下一代人机交互的重要技术路线。
[0003]目前对于肌电信号的运动意图提取主要有两种方式，一是利用分类算法对肌电信号进行分类，产生离散的运动信息，可以作为人机交互中的开关信号，但是分类信号极大的限制了交互信息的丰富程度。目前人机交互的场景越来越复杂，单纯的分类方式已经不能满足日常使用的需要。二是利用回归的方式提取连续的运动意图信息(例如每一时刻的运动关节角度)，这种方式相对于第一种更加自然且可以进行更为精准的复杂场景下的人机交互。但是由于第二种方式要求算法能提取表面肌电中的细节信息，提取难度增大。目前的算法在特征提取时不考虑多个通道的肌电信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种连续运动信息预测模型的训练方法，其特征在于，所述连续运动信息预测模型包括若干卷积长短时记忆网络层，所述训练方法包括：获取当前时段的训练样本和隐藏状态初始数据，所述当前时段的训练样本包括当前时段的多个空间位置上的表面肌电特征数据；将所述当前时段的训练样本和隐藏状态初始数据输入待训练的连续运动信息预测模型，计算得到的当前时段的运动状态预测数据和隐藏状态更新数据，其中所述隐藏状态更新数据用作与当前时段相邻的下一时段的隐藏状态初始数据；根据获取的当前时段的运动状态真实数据和计算得到当前时段的运动状态预测数据更新损失函数；根据更新后的损失函数对待训练的连续运动信息预测模型的网络参数进行更新。2.根据权利要求1所述的连续运动信息预测模型的训练方法，其特征在于，所述连续运动信息预测模型包括依次连接的第一卷积长短时记忆网络层、第二卷积长短时记忆网络层、第三卷积长短时记忆网络层和全连接层。3.根据权利要求2所述的连续运动信息预测模型的训练方法，其特征在于，所述第一卷积长短时记忆网络层的隐藏单元数量、所述第二卷积长短时记忆网络层的隐藏单元数量和所述第三卷积长短时记忆网络层的隐藏单元数量递减。4.根据权利要求3所述的连续运动信息预测模型的训练方法，其特征在于，所述第一卷积长短时记忆网络层的隐藏单元数量为64，第二卷积长短时记忆网络层的隐藏单元数量为32，第三卷积长短时记忆网络层的隐藏单元数量为10。5.根据权利要求2所述的连续运动信息预测模型的训练方法，其特征在于，每个卷积长短时记忆网络层中的元胞之间相互独立。6.根据权利要求5所述的连续运动信息预测模型的训练方法，其特征在于，当前时段的所述隐藏状态初始数据包括第一隐藏状态初始数据、第二隐藏状态初始数据和第三隐藏状态初始数据，将所述当前时段的训练样本和隐藏状态初始数据输入至待训练的连续运动信息预测模型，计算得到的当前时段的运动状态预测数据和隐藏状态更新数据的方法包括：将当前时段的训练样本和所述第一隐藏状态初始数据输入到所述第一卷积长短时记忆网络层，得到第一隐藏状态更新数据；将所述第一隐藏状态更新数据和所述第二隐藏状态初始数据输入到所述第二卷...

【专利技术属性】
技术研发人员：郭伟钰，王峥，林闯，杨永魁，陈超，辛锦瀚，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：