【技术实现步骤摘要】
基于卷积神经网络的肌电信号动作识别方法
[0001]本专利技术属于计算机软件领域，尤其涉及一种基于卷积神经网络的肌电信号动作识别方法。
技术介绍
[0002]随着机器辅助技术的飞速发展，辅助机器人的应用正在由工业生产领域向军事、医疗、服务等领域扩展，特别是应用于日常生活中的任务的场景。尽管相关技术已经发展了数十年，传统的机器人控制方式仍然是复杂的机制或传感器系统，用户往往需要接受大量训练，以熟悉如何将控制动作(如踏板，操纵杆等)转换为机器人的输出动作。因此，人们迫切需要一种符合直觉、易于使用的交互方式来控制辅助机器人。现代人机交互技术需要由机器人被动接受指令向机器人主动理解人的行为意图的方式发展，通过使用人类自然产生的信号进行控制，使得用户将机器人认识为自身肢体的延伸，将有助于提高机器人控制的及时性。由此理念开展的研究衍生出了一类基于生物电信号的新型人机交互技术。其中，表面肌电信号(surface electromyographic,sEMG)因其蕴含信息丰富的特点，且采用成熟的无创采集技术，而受到众多研究者青睐。
...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络的肌电信号动作识别方法，其特征在于，包括以下步骤：步骤1.对原始数据进行预处理，应用Butterworth低通滤波器做信号平滑处理，通过线性归一化将信号幅值映射至[0,1]，消除不同通道的信号之间可能存在的数量级差别，减少神经网络训练时的迭代次数；步骤2.在经过预处理的数据上添加白噪声模拟真实采集环境下的信号抖动，然后利用三次样条插值法生成二次可连续微分的平滑曲线，与原信号相乘，获得增强数据；采用宽度为W，步长为T的有重叠滑动窗口对样本进行分割，获得训练样本；步骤3.应用空间填充曲线算法，分别对信号的每个通道进行升维，将一维信号转换为二维正四边形图像；步骤4.构建卷积神经网络，使用卷积层提取样本的空间特征；在多次卷积后连接全局平均池化层，将多维特征图降维为一维特征向量，然后输入长短时记忆模块提取时序特征；最后通过全连接层和softmax层对提取到的特征进行分类，获得最终的分类结果；步骤5.将步骤3中处理后的数据作为训练样本输入步骤4构建的卷积神经网络中进行训练，通过前向传播和反向传播使模型持续更新神经节点的权重系数，利用损失函数评估每一次迭代的训练效果，最终获得稳定的最优状态，使分类的准确度达到最佳值。2.根据权利要求1所述的基于卷积神经网络的肌电信号动作识别方法，其特征在于：步骤1具体为：(1)首先应用Hampel滤波器去除50Hz的工频干扰噪声，然后进行全波整流；对于部分采集设备，如Otto Bock等设备能够直接输出经过滤波和整流的肌电信号数据，则可以忽略本步骤；(2)使用截断频率为1Hz的一阶Butterworth滤波器对信号进行平滑处理；(3)对数据进行线性函数归一化处理，使原始信号数据映射至[0,1]，计算方法如下：其中，X为输入的信号值，X
max
X
min
分别为所有样本信号中的最大值和最小值。3.根据权利要求1所述的基于卷积神经网络的肌电信号动作识别方法，其特征在于：步骤2具体为：(1)首先在均值为1，方差为0.2的正态分布中随机抽取n＝6个样本点y
i
(i＝1,2
…
,6)，然后使用三次样条插值法，在与信号样本等长的区间上生成一条二次可连续微分的平滑曲线；具体方法为：随机抽取的每个样本点用(x
i
,y
i
)(i＝1,2
…
,6)表示，其中x
i
为将信号样本按长度等分的n个点的横坐标，将在[x1,x6]区间上生成的曲线定义为S(x)＝y；其中每两个样本点组成的区间[x
i
,x
i+1
]上的曲线函数片段定义为如下三次函数：S
i
(x)＝a
i
+b
i
x+c
i
x2+d
i
x3＝y其中，a
i
,b
i
,c
i
,d
i
为需要求解的未知数；求解方法如下：基于曲线S(x)二次可连续微分的特性，对于除了两端端点即x1x6以外的每个点x
i
，应满足曲线在每个点上二次可连续微分，即：
其中S
i
′
(x
i+1
)为曲线函数S
i
(x)在x
i+1
的一阶左导数，S
′
i+1
(x
i+1
)为曲线函数S
i+1
(x)在x
i+1
的一阶右导数；S
″
i
(x
i+1
)为曲线函数S
i
(x)在x
i+1
的二阶左导数，S
″
i+1
(x
i+1
)为曲线函数S
i+1
(x)在x
i+1
的二阶右导数；对于两个端点采用非扭结边界，具体为设定第一个插值点的三阶导数值等于第二个点的三阶导数值，最后第一个点的三阶导数值等于倒数第二个点的三阶导数值；即：通过以上方程组计算出三次样条函数的系数a
i
,b
i
,c
i
,d
i
后，在每个区间[...
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。