【技术实现步骤摘要】
一种基于生成对抗网络的肌电去噪和活动段检测方法
[0001]本专利技术涉及生物信号处理
，尤其是涉及一种基于生成对抗网络的肌电去噪和活动段检测方法。
技术介绍
[0002]表面肌电信号(Surface electromyography, sEMG)是一种有骨骼肌产生的，在肌肉表面记录运动单位(Motor unit, MU)叠加的生物电信号，其控制在运动健康、消费电子等领域均有着非常广泛的应用。但表面肌电信号容易受到基线漂移、心电信号、运动伪影等一系列噪声的干扰，因此，需要对其进行一系列预处理步骤，以提高肌电信号的信噪比，使得后续用于手势识别、力度估计等具体任务时能够取得较好的效果。
[0003]去除表面肌电信号噪声的方法有很多，常用的方法有滤波、盲源分离等方法。因为肌电信号与部分噪声的频域成分存在重叠，所以在使用滤波进行去噪的同时会损失很多有用的信息。盲源分离方法包括独立向量分析，主成分分析，已被广泛应用于生物信号去噪领域，但是其受噪声影响较大，需要人工剔除噪声源，对于部分噪声比较敏感，故需要有更加鲁棒的去噪方法用于肌电信号的预处理。
[0004]同时，肌电信号活动段检测作为肌电信号去噪后的另一个预处理步骤，一直是步态分析、肌电控制等领域的研究重点之一。传统的活动段检测采用的是人工视检，往往会耗费大量的人力物力。此外，基于阈值的活动段检测也能够对活动段进行检测，但其依赖于信号的幅值等形态学特征，且经常会误将一些伪迹错认为活动段。因此，上述方法均导致其在实时假肢控制中会产生各种各样的问题。>[0005]近年来，随着深度学习和机器学习领域的快速发展和硬件计算能力的提升，通过深度学习强大的非线性学习能力提取肌电信号在时域和空域特征被更多的学者所青睐，因此，本专利技术提出一种基于生成对抗网络的肌电去噪和活动段检测方法，在提前训练好模型之后，能够实时、鲁棒地同时进行肌电信号的去噪工作和活动段的检测，可提高肌电信号的质量，满足后续实时任务的需求。
技术实现思路
[0006]针对现有技术存在的不足，本专利技术的目的是提供一种基于生成对抗网络的肌电去噪和活动段检测方法，其通过引入包含门循环单元的生成器模块和卷积神经网络学习肌电信号的时域以及空域信息，通过包含残差网络的生成器模块提高网络的识别能力，可同时进行肌电信号噪声的去除和活动段检测。
[0007]本专利技术的上述专利技术目的是通过以下技术方案得以实现的：一种基于生成对抗网络的肌电去噪和活动段检测方法，包括以下步骤：步骤一、采集纯净的sEMG作为纯净样本；步骤二、通过添加人工噪声以及运动伪影等合成噪声样本；步骤三、划分测试集和训练集；
步骤四、去噪网络的生成；步骤五、活动段检测网络的生成；步骤六、模型的训练，将去噪网络按照判别器网络、生成器网络和活动段检测网络连续卷积部分的顺序分别训练。
[0008]本专利技术在一较佳示例中可以进一步配置为：在所述步骤一中，受试者做任意t个动作，每个动作持续时间为5s，动作结束后休息5s，再开始下一个动作，受试者在研究者的指示下开始或停止动作，使用肌电信号采集系统采集m通道信号，对采集信号进行预处理;先通过20
‑
240Hz滤波提取肌电信号的主要频段，再通过50Hz陷波滤波器去除工频干扰，得到纯净的sEMG信号，将X(t)每个通道的最大值作为缩放因子，将X(t)按下式按通道进行归一化;(1)。
[0009]本专利技术在一较佳示例中可以进一步配置为：在所述步骤二中，在纯净sEMG上人为添加信噪比为
‑
3dB，
‑
1dB，1dB，3dB的高斯白噪声，心电信号(在受试者的胸部采集心电信号，并对心电信号进行5
‑
100Hz滤波)，工频干扰等噪声，按找缩放因子按通道进行归一化，得到噪声sEMG信号。
[0010]本专利技术在一较佳示例中可以进一步配置为：在所述步骤三中，随机分别将每个用户数据的70%作为训练集，分别对纯净sEMG和噪声sEMG进行滑窗，步长为窗长的50%，得到关于去噪网络的纯净sEMG训练集样本和噪声sEMG训练集样本；将每个用户数据剩余的30%作为测试集，分别对纯净sEMG和噪声sEMG进行滑窗，滑窗无重叠，得到关于去噪网络的纯净sEMG训练测试集样本和噪声sEMG测试集样本；根据是否有处于活动段为噪声样本赋予标签，若处于活动段Y=1，否则Y=0。
[0011]本专利技术在一较佳示例中可以进一步配置为：在所述步骤四中，去噪网络由1个生成器网络G(x)和1个判别器网络D(x)串联组成，将噪声sEMG信号输入生成器网络G(x)，依次经过第一层卷积，时空GRU模块和第二层卷积，得到去噪sEMG信号；将去噪sEMG信号信号输入判别器网络D(x)，依次经过5个残差模块，全连接层，得到判别器关于的判别结果。
[0012]本专利技术在一较佳示例中可以进一步配置为：在所述步骤五中，活动段检测网络与去噪网络共享生成器网络G(x)，再与连续卷积网络A(x)串联组成；在得到去噪sEMG信号后，将信号依次输入3个卷积模块，全连接层，得到关于的输出Y。
[0013]本专利技术在一较佳示例中可以进一步配置为：所述步骤六包括以下步骤：6.1、将步骤3中得到的和输入到判别器网络中进行训练，损失函数为：(2)其中，表示纯净sEMG的数学期望，表示含噪sEMG的数学期望；
通过对抗性训练，判别器网络D(x)能够学习纯净sEMG的分布，辨别纯净sEMG和含噪sEMG；6.2、判别器网络D(x)将来自生成器网络G(x)的输出判别为含噪sEMG，将D(x)参数冻结后根据下式损失函数进行训练：
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，表示L1正则化，G(x)通过梯度下降，逐渐生成与纯净sEMG具有相似数据分布的sEMG，达到去噪的目的，网络在损失函数不再收敛或收敛幅度小于阈值时结束训练。
[0014]6.3、将通过生成器网络去噪后的sEMG样本进行训练，采用交叉熵损失函数：
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，是将生成器输出送入连续卷积网络A(x)得到的预测结果，y为活动段标签，如果样本为活动段，取值为1，否则取值为0；6.4、将生成器输出按通道乘以缩放因子，得到去噪后的sEMG信号。
[0015]本专利技术在一较佳示例中可以进一步配置为：在所述步骤4中，去噪网络的生成器网络G(x)生成中所采用的卷积模块包含一个卷积核大小为1*3，步长为2的卷积操作；在所述步骤4中，去噪网络的判别器网络G(x) 生成中的残差模块包括2个卷积层和1个非线性激活单元层(Relu)，采用的卷积核大小为3*3，步长为2。
[0016]本专利技术在一较佳示例中可以进一步配置为：在所述步骤4中，去噪网络的生成器网络G(x)生成中所采用的Bi
‑
GRU模块将特征x进行卷积核大小为1*3，步长为2的卷积操作，通过GRU单元，全连接层，归一化得到特征x
’
，再与x进行拼接，得到特征y，再将y进行卷积核大小为1*3，步长为2的卷积操作，通本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的肌电去噪和活动段检测方法，其特征在于，包括以下步骤：步骤一、采集纯净的sEMG作为纯净样本；步骤二、通过添加人工噪声以及运动伪影等合成噪声样本；步骤三、划分测试集和训练集；步骤四、去噪网络的生成；步骤五、活动段检测网络的生成；步骤六、模型的训练，将去噪网络按照判别器网络、生成器网络和活动段检测网络连续卷积部分的顺序分别训练。2.根据权利要求1所述的一种基于生成对抗网络的肌电去噪和活动段检测方法，其特征在于，在所述步骤一中，受试者做任意t个动作，每个动作持续时间为5s，动作结束后休息5s，再开始下一个动作，受试者在研究者的指示下开始或停止动作，使用肌电信号采集系统采集m通道信号，对采集信号进行预处理;先通过20
‑
240Hz滤波提取肌电信号的主要频段，再通过50Hz陷波滤波器去除工频干扰，得到纯净的sEMG信号，将X(t)每个通道的最大值作为缩放因子，将X(t)按下式按通道进行归一化;(1)。3.根据权利要求1所述的一种基于生成对抗网络的肌电去噪和活动段检测方法，其特征在于，在所述步骤二中，在纯净sEMG上人为添加信噪比为
‑
3dB，
‑
1dB，1dB，3dB的高斯白噪声，心电信号(在受试者的胸部采集心电信号，并对心电信号进行5
‑
100Hz滤波)，工频干扰等噪声，按找缩放因子按通道进行归一化，得到噪声sEMG信号。4.根据权利要求1所述的一种基于生成对抗网络的肌电去噪和活动段检测方法，其特征在于，在所述步骤三中，随机分别将每个用户数据的70%作为训练集，分别对纯净sEMG和噪声sEMG进行滑窗，步长为窗长的50%，得到关于去噪网络的纯净sEMG训练集样本和噪声sEMG训练集样本；将每个用户数据剩余的30%作为测试集，分别对纯净sEMG和噪声sEMG进行滑窗，滑窗无重叠，得到关于去噪网络的纯净sEMG训练测试集样本和噪声sEMG测试集样本；根据是否有处于活动段为噪声样本赋予标签，若处于活动段Y=1，否则Y=0。5.根据权利要求1所述的一种基于生成对抗网络的肌电去噪和活动段检测方法，其特征在于，在所述步骤四中，去噪网络由1个生成器网络G(x)和1个判别器网络D(x)串联组成，将噪声sEMG信号输入生成器网络G(x)，依次经过第一层卷积，时空GRU模块和第二层卷积，得到去噪sEMG信号；将去噪sEMG信号信号输入判别器网络D(x)，依次经过5个残差模块，全连接层，得到判别器关于的判别结果。6.根据权利要求1所述的一种基于生成对抗网络的肌电去噪和活动段检测方法，其特征在于，在所述步骤五中，活动段检测网络与...
【专利技术属性】
技术研发人员：陈璋，
申请(专利权)人：飞矩科技上海有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。