一种与用户无关的肌电动作识别与控制方法技术

本发明专利技术公开了一种与用户无关的肌电动作识别与控制方法，是从手臂采集的高密度肌电信号转化为肌电图像，收集来自多个用户执行各种类手势动作的数据样本作为训练集，训练设计的嵌入了注意力模块的卷积神经网络，成为可用于跨用户手势动作分类的神经网络模型；之后，若有新用户接入该肌电控制系统，使用上述预训练的神经网络模型对目标用户的肌电数据进行分类并给出结果。本发明专利技术相对于传统方法利用了骨骼肌肉活动时的时空特征，在跨用户条件下使得手势动作肌电模式识别准确率有显著提升。在此基础上，使得肌电控制的人机交互设备的实用性更强，从而适应实际的使用情景。

【技术实现步骤摘要】
一种与用户无关的肌电动作识别与控制方法
本专利技术涉及生物信号处理领域，尤其涉及一种用于鲁棒肌电控制的跨用户识别手势动作模式的方法。
技术介绍
肌电信号(Electromyography,EMG)是伴随肌肉收缩产生的生物电信号，是多个MU(MotorUnit)兴奋产生的运动动作电位(MotorUnitActionPotential,MUAP)在时空上的叠加，它包含了丰富的神经信息，可用于捕获运动或运动意图并进一步解析为人机接口中的控制指令。表面肌电信号(SurfaceEMG,sEMG)采集自皮肤表面，因其测量无创性、可根据需求采集皮肤表面任意位置信号、采集时长可控等优点，在肌电控制中被广泛采用。作为肌电控制领域的里程碑技术，肌电模式识别技术通过训练分类器能够实现对多个自由度动作的控制，在实验室理想情况下具备极高的动作分类率，然而实际应用中涉及系统鲁棒性的诸多问题没有得到有效解决。其中，肌电控制跨用户的鲁棒性问题是该领域的经典难题。当新的用户试图使用肌电控制系统时，不同个体之间的差异(包括生理特点和运动习惯的差异等)会导致基于其他用户数据训练的分本文档来自技高网...

【技术保护点】
1.一种鲁棒肌电控制中与用户无关的手势识别方法，其特征在于，包括以下步骤：/n步骤一、利用高密度阵列电极采集指定手势集中不同手势动作的各个肌电信号；并对每种手势动作的所有肌电信号均提取肌电特征；再按高密度阵列电极中各个触点的序号将所提取的肌电特征重排成二维肌电特征矩阵；对所述二维肌电特征矩阵中不同肌电特征在特征维度上重新排列并组合成三维肌电图像；最后根据三维肌电图像对应的不同手势动作，对三维肌电图像设置不同的标签，从而得到带有标签的三维肌电图像；进而得到由N个用户的带有标签的三维肌电图像所组成的肌电数据；/n步骤二、构建由卷积神经网络、空间注意力模块组成的肌电分类模型；/n所述卷积神经网络由n...

【技术特征摘要】
1.一种鲁棒肌电控制中与用户无关的手势识别方法，其特征在于，包括以下步骤：
步骤一、利用高密度阵列电极采集指定手势集中不同手势动作的各个肌电信号；并对每种手势动作的所有肌电信号均提取肌电特征；再按高密度阵列电极中各个触点的序号将所提取的肌电特征重排成二维肌电特征矩阵；对所述二维肌电特征矩阵中不同肌电特征在特征维度上重新排列并组合成三维肌电图像；最后根据三维肌电图像对应的不同手势动作，对三维肌电图像设置不同的标签，从而得到带有标签的三维肌电图像；进而得到由N个用户的带有标签的三维肌电图像所组成的肌电数据；
步骤二、构建由卷积神经网络、空间注意力模块组成的肌电分类模型；
所述卷积神经网络由n个模块构成，每个模块由一个卷积层、一个批标准化层、一个激活层和一个池化层构成；
设置第i个模块中的卷积层核的数目小于第i+1个模块的卷积层核的数目；i属于[1，n]；
所述空间注意力模块包含两个并行的全局池化层、一个卷积层和sigmoid函数层；
将带有标签的三维肌电图像输入到所述卷积神经网络中，并由第i个模块输出对应的特征图；将第i个模块输出的特征图作为输入特征并输入到空间注意力模块中，经过两个并行的全局最大池化层和全局平均池化层后输出的两个结果再根据特征维度进行拼接，得到的拼接特征图后经过一个卷积层，从而得到全局池化特征图并经过sigmoid函数层后输出空间注意力图；将所述空间注意力图与输入特征图相乘，最终得到空间注意力特征图并输入第i+1个模块中进行继续处理，最终经过第n个模块后得到肌电信号的局部特征；
步骤三、使用所述肌电数据训练所述肌电分类模型，得到训练好的分类模型；
步骤四、利用训练好的分类模型对预处理后待预测的第N+1个用户的肌电信号进行预测，得到各个类别的预测标签对应的概率，并将概率最大的预测标签所对应的类别作为待预测的第N+1个用户的肌电信号的预测结果。


2.根据权利要求1所述的一种用于鲁棒肌电控制的用户无关手势...

【专利技术属性】
技术研发人员：张旭，郑浩，吴乐，陈希，陈勋，陈香，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34