基于空间注意力剪枝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空间注意力剪枝胶囊网络的表面肌电信号分类方法，包括：采集表面肌电信号，对表面肌电信号进行预处理，获得目标肌电信号；基于笛卡尔积运算对目标肌电信号的离散特征进行二维化，获得二维特征关系图；基于二维特征关系图获得空间注意力信息；构建空间注意力剪枝胶囊网络模型，将二维特征输入空间注意力剪枝胶囊网络模型进行特征分类，获得分类结果。本发明专利技术提升了模型的识别精度，减少了训练时间，满足了现实情况中的表面肌电信号手势动作识别的短延迟要求，能够适应数据规模较大的样本识别。数据规模较大的样本识别。数据规模较大的样本识别。

【技术实现步骤摘要】
基于空间注意力剪枝胶囊网络的表面肌电信号分类方法


[0001]本专利技术属于信号分类领域，特别是涉及一种基于空间注意力剪枝胶囊网络的表面肌电信号分类方法。

技术介绍

[0002]当人类由PC时代进入互联网时代后，移动互联网给我们带来了海量的爆炸信息，医疗数据等多属性文本类数据急剧增长，信息过载与知识匮乏之间所引起的矛盾日益突出。因此如何高效处理海量的多属性信息成为当前研究的重点问题。但是面对呈指数级增长的离散特征属性数据，纯人工标注分类是不现实的，所以实现机器智能化分类迫在眉睫。
[0003]大规模多分类数据集一般由多个离散特征属性构成。这些离散特征通常都是一维向量，但是各个离散特征之间包含一定的关联性。在实际应用中，简单的线性分类或回归预测往往无法区分大部分错综复杂的样本。面对如今大量的非线性问题，如果只是简单地考虑若干个离散特征的定量关系，容易忽略不同自变量之间的关联性。为了应对非线性的大规模数据集，如表面肌电信号等，在特征工程中经常会将一阶离散特征进行两两组合(相乘或笛卡尔乘积)，衍生出合成特征来学习高度复杂的模型。合成特征在一定程度上表征了原始特征空间中不同特征的潜在相互关系，极有可能成为区分类别能力较强的新特征，比如在多元回归模型中通常使用若干特征相乘或相除等方式来构建特征空间的新特征。但是并不是所有的合成特征都能对模型产生积极的影响，因此现有研究主要集中于搜索特征空间以获得最佳的合成特征，或者是寻找与目标关联性较高的合成特征，最后通过机器学习方法对数据集进行分类。然而预先一一对所有离散特征和合成特征进行人工筛选显得耗时耗力，但是如果不能同时对各类特征进行评估，又极容易忽略特征之间的关联性。因此采用机器来分类标注数据集势在必行。
[0004]因此，现有技术对表面肌电信号的识别研究主要集中在使用机器学习与卷积神经网络解决分类问题。但是在实际的表面肌电信号应用场合，模型需要综合考虑特征的空间性和相关性等多个因素。

技术实现思路

[0005]为了克服现有技术方案不能很好地获取特征之间的空间相关性等缺点，本专利技术提出一种基于空间注意力剪枝胶囊网络的表面肌电信号分类方法，将离散特征通过笛卡尔积运算进行二维化后送入基于空间注意力的胶囊网络中进行训练，同时，通过增加正则化损失来约束空间显著性注意力权重来增加网络对中心区域的注意力权重，并通过动态剪枝操作去除对高级胶囊贡献度不高的低级胶囊来精简模型，降低计算成本。
[0006]为实现上述目的，本专利技术提供了如下方案：基于空间注意力剪枝胶囊网络的表面肌电信号分类方法，包括：
[0007]采集表面肌电信号，对所述表面肌电信号进行预处理，获得目标肌电信号；
[0008]基于笛卡尔积运算对所述目标肌电信号的离散特征进行二维化，获得二维特征关
系图；基于所述二维特征关系图获得空间注意力信息；
[0009]构建空间注意力剪枝胶囊网络模型，将所述二维特征输入所述空间注意力剪枝胶囊网络模型进行特征分类，获得分类结果。
[0010]优选地，对所述表面肌电信号进行预处理的过程包括，基于窗口分析法，对所述表面肌电信号进行特征提取，获得特征矩阵；
[0011]所述特征提取包括时域特征提取、频域特征提取和时频域特征提取。
[0012]优选地，基于笛卡尔积运算对所述目标肌电信号的离散特征进行二维化之前，还包括，对离散特征进行笛卡尔积运算，将数据由一维特征向量转换为二维矩阵；所述二维矩阵包括离散特征与合成特征的复合信息。
[0013]优选地，基于笛卡尔积运算对所述目标肌电信号的离散特征进行二维化的过程包括，采用笛卡尔积运算对特征向量进行特征组合，将数据由一维特征向量转换为二维特征关系图。
[0014]优选地，基于所述二维特征关系图获得所述空间注意力信息的过程包括对所述二维特征关系图进行重叠最大池化处理和重叠平均池化处理，筛选来自不同通道的关键位置信息；基于所述关键位置信息，通过空间注意模块确定空间显著性注意力权重；根据所述空间显著性注意力权重对所述二维特征关系图进行筛选，获得显著性特征图；基于所述显著性特征图获得空间注意力信息。
[0015]优选地，构建所述空间注意力剪枝胶囊网络模型的过程包括，以胶囊网络为主体网络，基于池化思想的空间注意模块，结合正则化损伤和动态剪枝机制构建获得所述空间注意力剪枝胶囊网络模型。
[0016]优选地，将所述二维特征输入所述空间注意力剪枝胶囊网络模型进行特征分类的过程包括，将所述空间注意力信息输入所述空间注意力剪枝胶囊网络模型，对所述显著性特征图提取抽象特征，通过动态路由寻找特征与标签的联系，获得相同通道不同位置特征的相互关系和不同通道之间的空间特征关系；根据所述相同通道不同位置特征的相互关系和不同通道之间的空间特征关系进行特征分类，获得分类结果。
[0017]本专利技术公开了以下技术效果：
[0018]本专利技术提供的基于空间注意力剪枝胶囊网络的表面肌电信号分类方法，使用笛卡尔积将离散的一维肌电特征二维化，在保留了离散特征的基础上获取特征之间的内在联系；考虑到生成的高维规则数据存在着信息稀疏、参数过多等问题，在胶囊网络基础上结合了以池化思想为主的空间注意力机制来挖掘不同特征的显著性分数，以此来增强或弱化表征；通过结合正则化和动态路由剪枝机制，提出空间注意力剪枝胶囊网络。这样一方面使得空间显著性注意力权重矩阵具备良好的稀疏性，另一方面剪枝贡献程度较少的动态路由链路并禁止该链路的反向传播，能够有效降低模型参数的内存需求。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术实施例的方法流程图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0023]如图1所示，本专利技术提供了基于空间注意力剪枝胶囊网络的表面肌电信号分类方法,通过对肌电信号进行时域特征、频域特征和时频域特征的提取，并将肌电信号通过特征提取得到的特征二维化以便于送入网络中进行训练，通过最大池化和平均池化后进行卷积计算获取空间注意力信息，再送入胶囊网络进行训练，通过空间注意力模块提高空间注意力，通过胶囊网络获取空间特征进行分类，并通过添加正则化操作与剪枝机制提升其对中心特征的关注度，提高分类准确率并降低时间花费。
[0024]所述基于空间注意力剪枝胶囊网络的表面肌电信号分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于空间注意力剪枝胶囊网络的表面肌电信号分类方法,其特征在于，包括：采集表面肌电信号，对所述表面肌电信号进行预处理，获得目标肌电信号；基于笛卡尔积运算对所述目标肌电信号的离散特征进行二维化，获得二维特征关系图；基于所述二维特征关系图获得空间注意力信息；构建空间注意力剪枝胶囊网络模型，将所述空间注意力信息输入所述空间注意力剪枝胶囊网络模型进行特征分类，获得分类结果。2.根据权利要求1所述的基于空间注意力剪枝胶囊网络的表面肌电信号分类方法，其特征在于，对所述表面肌电信号进行预处理的过程包括，基于窗口分析法，对所述表面肌电信号进行特征提取，获得特征矩阵；所述特征提取包括时域特征提取、频域特征提取和时频域特征提取。3.根据权利要求1所述的基于空间注意力剪枝胶囊网络的表面肌电信号分类方法，其特征在于，基于笛卡尔积运算对所述目标肌电信号的离散特征进行二维化之前，还包括，对离散特征进行笛卡尔积运算，将数据由一维特征向量转换为二维矩阵；所述二维矩阵包括离散特征与合成特征的复合信息。4.根据权利要求1所述的基于空间注意力剪枝胶囊网络的表面肌电信号分类方法，其特征在于，基于笛卡尔积运算对所述目标肌电信号的离散特征进行二维化的过程包括，采用笛卡尔积运算对特征向量进行特征组合，将数据由一维特征向量转换为二维特征关系图...

【专利技术属性】
技术研发人员：王铮，赵燕伟，陈国棋，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：