一种基于胶囊网络的表面肌电信号分类方法技术

本发明专利技术公开了一种基于胶囊网络的表面肌电信号分类方法，采用窗口分析法对原始表面肌电信号预处理；提取信号中的特征，构成特征序列，并利用二维化方法，转换为特征矩阵；对原始信号进行简单的切割堆叠，从而产生二维信号矩阵；通过不同尺寸的卷积核将两种矩阵进行卷积，得到相同尺寸的特征图后进行通道叠加；将得到的抽象特征图送入到胶囊网络中训练，并保存网络权重。本发明专利技术改善了生成抽象特征的方法，准确率高，鲁棒性强，尤其是针对肌肉运动相近的动作。

【技术实现步骤摘要】
一种基于胶囊网络的表面肌电信号分类方法
本专利技术涉及一种表面肌电信号分类问题。
技术介绍
在人类的日常生活、工作中，手部发挥着极其重要的作用。近年来，随着人口老龄化程度的上升以及各类疾病、意外事故、自然灾害的发生，手脚不便的老人和肢体残疾的患者人数逐年增加。智能的假肢能够仿照人手的方式，为老年人及肢体残疾者提供生活上基本的帮助。人的手部动作是由意识支配的，意识以生物电信号的形式传递到全身，相应肌群收到信号后执行对应动作。对于假肢的控制，同样也需要信号源，目前最常见的是表面肌电信号(sEMG)。表面肌电信号是电极贴在肌肉表面用以记录肌肉运动的生物信号。不同手势对应着不同的肌肉运动方式，因此产生的信号也不同。通过对表面肌电信号的分析，可以预测手势动作。同时，表面肌电信号还具有无创、易于采集等优点，因此，这是一种理想的人机交互信号源。使用表面肌电信号作为人机交互的媒介，能否成功应用取决于对表面肌电信号的准确识别。因此，表面肌电信号对手势动作识别具有应用价值，基于表面肌电信号的手部动作识别研究具有重大的社会意义。目前的表面肌电信号分类方法大多采用特征提取的方式，将手动提取的特征送到机器学习或者深度学习的模型当中训练，得到预测结果。也有一部分研究将原始数据送到深度学习的模型中训练。但是目前的方法还存在着以下问题：(1)用特征进行训练的方法的结果很大程度上取决于选择的特征与组合方式，无论再怎么合适的特征也无法完整还原原始信号的信息，并且只对差异较大的动作分类效果好，当动作差异较小，分类效果不佳，算法的鲁棒性差；(2)将原始信号输送到模型中训练的方法虽然能免于提取特征，但是由于原始信号中含有太多信息，提取的抽象特征太过宽泛，因此分类精度较低；(3)目前所使用的机器学习或者深度学习模型只能反映出是否具有某种特征，但是对于特征之间的联系以及特征之间的相对关系却无法反映。
技术实现思路
针对目前存在的问题，本专利技术提供了一种基于胶囊网络的融合原始信号与提取的特征的分类方法，采用新型的深度学习模型胶囊网络，并且在网络中融合多层次特征，旨在解决现有技术中的问题，最终以更高的鲁棒性和准确率解决表面肌电信号分类问题。为达到上述目的，本专利技术采用的技术方案为，一种基于胶囊网络的表面肌电信号分类方法，包括以下步骤：S1：原始信号数据预处理，即窗口分析法。针对表面肌电信号，使用长为w的窗口截取信号。其中，w为窗口长度，t是增量区间，τ为信号处理并得到预测结果的时间。每经一个时间间隔t之后，同时对所有通道顺序截取数据。S2：对每一个通道的每一个窗口提取特征，得到一维多通道特征序列。S3：将特征序列和原始信号分别二维化。将一维特征矩阵增加“1”后乘以它的转置矩阵，得到二维化的特征矩阵，具体见S31到S32。将每一个已窗口化的原始信号进行切割并堆叠，得到二维原始信号矩阵，具体见S33到S34。S31：向序列x中加入1，如公式(2)所示，得到序列f。f＝[1,x1,x2,...,xm](1)S32：使用矩阵运算对特征向量进行特征组合，具体转换如公式(3)(4)所示。F＝G(α*(f×fT)β)(2)其中，α和β为转换参数，都设置为0.5。F为转换得到的特征图。G为非线性激活函数sigmoid，用以将抽象特征值限制在[0,1]之间。S33：将每个长度为w的窗口按照尺度l1切割成n1段，n1满足公式(4)。本实验中设置l1为20，n1为15。n1＝w/l1(4)S34：将n1段短序列竖直堆叠，得到l1×n1的二维矩阵。S4：将两种通过二维化方法得到的矩阵分别以不同尺寸的卷积核进行卷积，最终得到同样大小的两个多通道的二维矩阵。将两种矩阵在通道上进行堆叠。S5：送入到胶囊网络中进行训练，并保存网络权重。与现有技术相比，本专利技术具有以下优点：(1)产生抽象特征的方法相比于传统的特征提取方法简单，能够在网络中生成新的抽象特征，并且只需要选取已有的常用特征即可，不需要再研究产生新特征的方法。(2)正确率高。由于使用了原始信号与特征进行融合的方法，相比直接输入特征，能够在输入中包含更多的原始信息，并且所提取的抽象特征并不会像直接输入原始信号那样产生大量冗余特征，因此有助于提取更具表征性的特征。(3)鲁棒性强。采用的胶囊网络模型有助于提取特征之间的相对关系，因此不像卷积神经网络，只能识别差异较大的动作，对于差异较小的动作也能准确识别，并且准确率较高。附图说明图1为本专利技术方法整体流程图。图2为本专利技术的窗口分析法示意图。图3为本专利技术的网络模型图。图4为胶囊网络的动态路由机制。具体实施方式为了更好的理解本专利技术，下面结合附图和实例对本专利技术进行详细描述。实例：研究采用ELONXI肌电采集仪。该设备支持最大16个双极通道，采样分辨率为24比特，采样频率为1000赫兹到2000赫兹之间。本实验选取了16个通道，采样频率1000赫兹模式，使用了该系统自带的滤波器得到滤波后的信号。共采集了1个人5个手势动作的数据，每个手势动作采集10s，重复采集4次。将每个动作前3次采集的信号当作训练集，最后一次采集的信号当作测试集。S1：原始信号数据预处理，即窗口分析法，如图2所示，针对表面肌电信号，使用窗口截取信号。其中，w为窗口长度设置为300毫秒，t是增量区间设置为50毫秒。每经过50毫秒之后，同时对所有通道顺序截取长为300毫秒的窗口。S2：对每一个通道的每一个窗口提取特征，得到一维多通道特征序列x，如公式(5)所示。本实例中采集m个特征，m的值为14，所用公式见表1，其中xi代表第i个特征。x＝[x1,x2,...,xm](5)表1采取的离散特征其中，Si定义为一段随时间变化的信号值，Sf为信号S经过快速傅里叶变换得到的频谱，P(Sf)是该频段的功率谱强度。S3：将特征序列和原始信号分别二维化。将一维特征序列按照S31到S32操作，得到二维化的特征矩阵。按照S33到S34将已窗口化的原始信号进行切割并堆叠，得到二维原始信号矩阵。S31：向序列x中加入1，如公式(1)所示，得到序列f。f＝[1,x1,x2,...,xm](1)S32：使用矩阵运算对特征向量进行特征组合，具体转换如公式(2)(3)所示。F＝G(α*(f×fT)β)(2)其中，α和β为转换参数，都设置为0.5。F为转换得到的特征图。G为非线性激活函数sigmoid，用以将抽象特征值限制在[0,1]之间。S33：将每个长度为w的窗口按照尺度l1切割成n1段，n1满足公式(4)。本实验中设置l1为20，n1为15。n1＝w/l1(4)S34：将n1段短序列竖直堆叠，得到l1×n1的二维矩阵。S4：将两种矩阵分别以不同尺寸的卷积核进行卷积，最终得到同样大小的两个多通道的本文档来自技高网...

【技术保护点】
1.一种基于胶囊网络的表面肌电信号分类方法，其特征在于：包含以下步骤：/nS1：原始信号数据预处理，即窗口分析法；针对表面肌电信号，使用长为w的窗口截取信号；其中，w为窗口长度，t是增量区间，τ为信号处理并得到预测结果的时间；每经一个时间间隔t之后，同时对所有通道顺序截取数据；/nS2：对每一个通道的每一个窗口提取特征，得到一维多通道特征序列x，x＝[x

【技术特征摘要】
1.一种基于胶囊网络的表面肌电信号分类方法，其特征在于：包含以下步骤：
S1：原始信号数据预处理，即窗口分析法；针对表面肌电信号，使用长为w的窗口截取信号；其中，w为窗口长度，t是增量区间，τ为信号处理并得到预测结果的时间；每经一个时间间隔t之后，同时对所有通道顺序截取数据；
S2：对每一个通道的每一个窗口提取特征，得到一维多通道特征序列x，x＝[x1,x2,...,xm]，m代表特征个数；
S3：将特征序列和原始信号分别二维化；将一维特征矩阵增加“1”后乘以它的转置矩阵，得到二维化的特征矩阵，具体见S31到S32；将每一个已窗口化的原始信号进行切割并堆叠，得到二维原始信号矩阵，具体见S33到S34；
S31：向序列x中加入1，如公式(2)所示，得到序列f；
f＝[1,x1,x2,...,xm](1)
S32：使用矩阵运算对特征向量进行特征组合，具体转换如公式(3)(4)所示；
F＝G(α*(f×fT)β)(2)



其中，α和β为转换参数，都设置为0.5；F为转换得到的特征图；G为非线性激活函数sigmoid，用以将抽象特征值限制在[0,1]之间；
S33：将每个长度为w的窗口按照尺度l1切割成n1段，n1满足公式(4)；本实验中设置l1为20，n1为15；
n1＝w/l1(4)
S34：将n1段短序列竖直堆叠，得到l1×n1的二维矩阵；
S4：将两种通过二维化方法得到的矩阵分别以不同尺寸的卷积核进行卷积，最终得到同样大小的两个多通道的二维矩阵；将两种矩阵在通道上进行堆叠；
S5：送入到胶囊网络中进行训练，并保存网络权重。


2.如权利要求1所述的一种基于胶囊网络的表面肌电信号分类方法，其特征在于：步骤2提取的特征如下表所示：



其中，Si定义为一段随时间变化的信号值，Sf为信号S经过快速傅里叶变换得到的频谱，P(Sf)是该频段的功率谱强度。


3.如权利要求1所述的一种基于胶囊网络的表面肌电信号分类方法，其特征在于：堆叠的具体做法是：对于得到的二维特征矩阵，采用3×8×...

【专利技术属性】
技术研发人员：王万良，尤文波，赵燕伟，陈嘉诚，王铁军，钱宇彤，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33