基于残差网络及图卷积网络的肌电信号识别方法技术

本发明专利技术涉及一种基于残差网络及图卷积网络的肌电信号识别方法，包括以下步骤：步骤S1:获取多通道肌电信号，对多通道肌电信号进行预处理，得到待训练的数据集；步骤S2:选择满足实时性的时间窗口和相应的滑动窗口对肌电信号进行采样，构建表面肌电信号图像;步骤S3:构建残差网络及图卷积网络的结构模型，并基于表面肌电信号图像训练；步骤S4:基于训练好的残差网络及图卷积网络的结构模型对表面肌电信号进行识别。本发明专利技术能够更好地学习肌电信号的特征，同时由于保留了残差网络结构，解决了深度卷积网络模型的退化问题。卷积网络模型的退化问题。卷积网络模型的退化问题。

【技术实现步骤摘要】
基于残差网络及图卷积网络的肌电信号识别方法


[0001]本专利技术涉及一种基于残差网络及图卷积网络的肌电信号识别方法。

技术介绍

[0002]表面肌电信号(Surface Electromyography)是众多肌纤维中运动单元动作电位在时间和空间上的叠加，通过识别表面肌电信号可以反映肌肉的相关运动，因此，表面肌电信号识别被广泛应用在医疗，军事、教育、生活等各个领域，例如通过肌电信号手势识别，以肌电信号作为假肢的控制信号实现对假肢的实时控制。
[0003]传统的肌电信号识别主要是依靠机器学习的方法，常见的有支持向量机、随机深林和神经网络等。深度学习作为机器学习的一个分支，近些年来在肌电识别上得到了广泛的应用。卷积神经网络模型比传统的机器学习方法识别率更高，但随着网络深度的增加，卷积神经网络会产生模型退化问题,为了解决该问题可以引入残差网络。然而残差网络是基于图片分类提出的，为了提高残差网络在肌电信号识别领域的准确度和适用性对残差网络进行了改进。肌肉协同也是表面肌电信号研究中的一个重点，肌肉协同分析是通过分解多个肌肉通道的激活度从而得到肌肉协同元矩阵及激活系数矩阵。然而肌肉的激活度信息并不能直接得到，需要通过采集肌肉的表面肌电信号信息并通过相应的处理从而得到肌肉的激活度。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于残差网络及图卷积网络的肌电信号识别方法，能够更好地学习肌电信号的特征，同时由于保留了残差网络结构，解决了深度卷积网络模型的退化问题。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于残差网络及图卷积网络的肌电信号识别方法，包括以下步骤：
[0007]步骤S1:获取多通道肌电信号，对多通道肌电信号进行预处理，得到待训练的数据集；
[0008]步骤S2:选择满足预设需求的时间窗口和相应的滑动窗口对肌电信号进行采样，构建表面肌电信号图像；
[0009]步骤S3:构建残差网络及图卷积网络的结构模型，并基于表面肌电信号图像训练；
[0010]步骤S4:基于训练好的残差网络及图卷积网络的结构模型对表面肌电信号进行识别。
[0011]进一步的，所述预处理具体为：对多通道肌电信号进行基线滤波、工频滤波处理并进行离线标记。
[0012]进一步的，所述残差网络结构由初始卷积层、多个残差块和全连接层组成，具体如下：将初始卷积核改为1
×
n，并删除最大池化层，每个残差块中的卷积核大小改为1
×
n，同时对其中各卷积核的步长进行调整。
[0013]进一步的，所述图卷积网络起始单元为一个联合投票网络。
[0014]进一步的，所述步骤S4具体为：
[0015]由残差网络得到肌电信号特征X∈H
×
W
×
C，H，W，C分别为肌电信号特征的高度、宽带、通道数，通过对肌电信号的特征进行投票权重计算得到每块肌肉的特征矩阵，其投票权重矩阵表示为：
[0016]W＝Φ(ψ(X))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0017]其中ψ(
·
)是由1
×
1卷积实现的变换函数，Φ是空间softmax归一化，W∈H
×
W
×
N，其中N为肌肉块数；W
K
∈H
×
W是第k块肌肉的投票权重矩阵；f
K
表示第k块肌肉的特征，表示为所有肌电信号特征的加权平均，计算公式如下：
[0018][0019]其中X
i
表示第i通道的肌电信号特征，是由1
×
1卷积层实现的变换函数，W
Ki
是投票权重矩阵W
K
中对应的元素。将所有肌肉的整体特征定义为：
[0020][0021]由于肌肉与肌肉之间的协同关系未知，所以将肌肉与肌肉之间的联接图G定义为全连接，即假设每块肌肉与其余肌肉之间都具有协同关系；
[0022]将由投票网络的到的肌肉特征经图卷积网络自动提取新的肌肉协同特征F
e
，其计算公式如下：
[0023][0024]其中A
e
＝A+I，因为图G为全连接的图，所以A为对角线的元素全为0，其余元素都为1的矩阵，I为单位矩阵，矩阵D为A的度矩阵，W
e
为可训练的变换矩阵，σ(
·
)是一个非线性函数；
[0025]在得到新的肌肉协同特征后，进行联合投票的逆操作得到与肌电信号特征X同维度的肌肉协同特征，其计算公式如下：
[0026][0027][0028]其中为经图卷积网络得到的第k块肌肉的新特征，W
ik
与前面得到的投票权重矩阵W
Ki
相等；ρ(
·
)是一个带有BN层非线性函数；
[0029]最后将残差网络得到的肌电信号特征X与肌肉协同特征F
q
相结合，得到新的增强特征X
e
，公式如下：
[0030][0031]其中τ(
·
)是一个带有BN层非线性函数。
[0032]本专利技术与现有技术相比具有以下有益效果：
[0033]本专利技术能够更好地学习肌电信号的特征及对肌肉协同特征进行端对端进行学习，同时由于保留了残差网络结构，解决了深度卷积网络模型的退化问题。
附图说明
[0034]图1是本专利技术残差网络及图卷积网络结构模型；
[0035]图2是本专利技术一实施例中改进的残差网络模型结构及参数；
[0036]图3是一实施例中本专利技术图卷积网络模型。
具体实施方式
[0037]下面结合附图及实施例对本专利技术做进一步说明。
[0038]本专利技术提供一种基于残差网络及图卷积网络的肌电信号识别方法，包括以下步骤：
[0039]步骤S1:获取多通道肌电信号，对多通道肌电信号进行基线滤波、工频滤波处理并进行离线标记，得到待训练的数据集；
[0040]步骤S2:选择满足实时性的时间窗口和相应的滑动窗口对肌电信号进行采样，构建表面肌电信号图像；
[0041]步骤S3:构建残差网络及图卷积网络的结构模型，并基于表面肌电信号图像训练；
[0042]步骤S4:基于训练好的残差网络及图卷积网络的结构模型对表面肌电信号进行识别。
[0043]请参照图1，本实施例提供一种将改进的残差网络和图卷积网络相结合构建了残差网络及图卷积网络的结构模型，
[0044]由残差网络提取肌电信号特征X，图卷积网络(Graph Convolutional Network,GCN)提取肌肉协同特征F
q
。
[0045]结合肌电信号特征和肌肉协同特征得到新的增强特征X
e
。
[0046]随后对增强特征进行全局平均池化，再本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差网络及图卷积网络的肌电信号识别方法，其特征在于，包括以下步骤：步骤S1:获取多通道肌电信号，对多通道肌电信号进行预处理，得到待训练的数据集；步骤S2:选择满足预设需求的时间窗口和相应的滑动窗口对肌电信号进行采样，构建表面肌电信号图像；步骤S3:构建残差网络及图卷积网络的结构模型，并基于表面肌电信号图像训练；步骤S4:基于训练好的残差网络及图卷积网络的结构模型对表面肌电信号进行识别。2.根据权利要求1所述的基于残差网络及图卷积网络的肌电信号识别方法，其特征在于，所述预处理具体为：对多通道肌电信号进行基线滤波、工频滤波处理并进行离线标记。3.根据权利要求1所述的基于残差网络及图卷积网络的肌电信号识别方法，其特征在于，所述残差网络结构由初始卷积层、多个残差块和全连接层组成，具体如下：将初始卷积核改为1
×
n，并删除最大池化层，每个残差块中的卷积核大小改为1
×
n，同时对其中各卷积核的步长进行调整。4.根据权利要求1所述的基于残差网络及图卷积网络的肌电信号识别方法，其特征在于，所述图卷积网络起始单元为一个联合投票网络。5.根据权利要求1所述的基于残差网络及图卷积网络的肌电信号识别方法，其特征在于，所述步骤S4具体为：由残差网络得到肌电信号特征X∈H
×
W
×
C，H，W，C分别为肌电信号特征的高度、宽带、通道数，通过对肌电信号的特征进行投票权重计算得到每块肌肉的特征矩阵，其投票权重矩阵表示为：W＝Φ(ψ(X))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中ψ(
·
)是由1
×
1卷积实现的变换函数，Φ是空间softmax归一化，W∈H
...

【专利技术属性】
技术研发人员：姜海燕，许先静，李竹韵，钟凌珺，
申请(专利权)人：福州大学，
类型：发明
国别省市：