一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法及系统技术方案

本发明专利技术涉及一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法及系统，首先通过MEMD分解算法将原始表面肌电信号分解为IMF分量，获取更多瞬时样本数据量以填充Hilbert空间；再将分解后的IMFs填充为Hilbert曲线，即从Hilbert

【技术实现步骤摘要】
一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法及系统


[0001]本专利技术涉及一种sEMG处理方法及系统，尤其是涉及一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法及系统。

技术介绍

[0002]目前，表面肌电信号的研究随着测量技术的提高以及无创测量的优点而得到快速发展与进步，有关sEMG的应用领域已经从传统的医学诊断、康复工程发展到机器控制和人机交互。基于sEMG的人体动作识别研究包括两个主要的应用方向：一个是康复工程中的假肢控制，另一个就是人机交互中的指令输入。
[0003]在过去的几十年里，传统机器学习算法广泛用于根据表面肌电信号确定手势动作的类型。传统机器学习算法的主要步骤有：获取数据、数据预处理、特征提取和分类器分类。其中，对数据预处理时，信号分解有助于我们更好的理解信号的潜在物理性质，进一步理解信号的动态特性。19
‑
20世纪，世界各地的数学家、科学家们已经提出了各种信号分析方法，例如傅里叶分析、小波分析和经验模态分解及其一系列变体算法。傅里叶分析和小波分析对于线性平稳的信号是非常重要的分析方法，而表面肌电信号通常非常复杂，其动态响应为各种动态的复杂混合。经验模态分解(Empirical Mode Decomposition,EMD)及其变体算法的自适应特点对于表面肌电信号这种非线性非平稳信号更加有效。但传统的机器学习算法也存在着一些缺点，比如泛化能力弱、需要人为提取的庞大特征工程和识别的手势类型较少等缺点。
[0004]近些年CPU和GPU算力随着摩尔定律的发展而提升，使得深度学习模型在计算机视觉、自然语言处理等人工智能领域取得了卓越的成就，因此将深度学习框架用于表面肌电信号的手势识别领域也成为了近年来大热的课题。基于深度学习的表面肌电信号(sEMG)手势识别算法通常将一维sEMG转换成二维肌电图作为CNN的输入。但sEMG瞬时样本量通常偏少，以及一维sEMG转换成二维肌电图时会带来局部特征丢失等问题。

技术实现思路

[0005]本专利技术提出的融合多元经验模态分解(MEMD)算法与Hilbert空间填充曲线结合的sEMG处理方法，仅通过较少的计算量，便可有效地解决sEMG瞬时样本量偏少以及一维sEMG转换成二维肌电图时带来的局部特征丢失等问题。
[0006]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：
[0007]一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，其特征在于，包括：
[0008]通过MEMD分解算法将原始表面肌电信号分解为IMF分量，获取更多瞬时样本数据量以填充Hilbert空间；
[0009]将分解后的IMFs填充为Hilbert曲线，即从Hilbert
‑
IMFs域填充Hilbert空间，生成二维肌电图；
[0010]将生成的肌电图作为卷积神经网络的输入，对表面肌电信号数据进行分类。
[0011]在上述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，MEMD算法的变量定义如下：存在一个N维序列集合V
N
(t)＝{v1(t),v2(t),...,v
n
(t)}，该集合表示有N个通道的表面肌电信号序列；存在另一个n维序列集合该集合表示在n
‑
1维球面上对应k个角度的方向向量集，该方向向量集对应的角度向量集为如果方向向量的总数为M，那么M＝1,2,...m。
[0012]在上述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，
[0013]通过Hammersley序列取样法从n
‑
1维球面上获取合适的角度向量；
[0014]计算输入信号v
n
(t)在角度向量集中每个角度的投影向量集
[0015]求出角度向量集对应的投影向量集所有极值，根据极值的瞬时时刻确定一个瞬时时刻向量集
[0016]通过多元样条插值法对极值点插值，得到包络线集合
[0017]求包络线的平均值a(t)；
[0018][0019]将原始序列与均值相减，求得一个中间信号y(t)＝v(t)
‑
a(t)，如果该信号满足判断是否为本征模态函数(IMF)的两个条件，则将该信号作为一个新的IMF分量，再用原始信号v(t)减去所有的IMF分量，作为输入信号v
n
(t)，得到新的IMF分量；如果不满足条件，则直接将y(t)作为输入信号v
n
(t)，重复执行到本步骤；综上所述，IMF分量的获取是一个迭代递归的过程。
[0020]在上述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，
[0021]从MEMD分解而来的IMFs中选取前六个IMF分量，获取电极数X
×
6＝Y个IMFs，其中Y≤L2，L的值必须为2的幂次，以便填充曲线的单元空间；
[0022]将Y个IMFs分量依时域分割为长度为N的时间重叠窗口，分割步长为10ms，生成N
×
Y个样本；已有文献验证，一个时间窗口段包含64个样本(640ms)时，模型表现最好；
[0023]将样本集归一化后，样本点的值映射到0
‑
255，然后按照Hilbert曲线的填充顺序填入Hilbert空间单元格，生成L
×
L的肌电图。
[0024]在上述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，神经网络中包含L层，l表示L层网络中的第l层，即x
l
表示第l层的输出；x
l
＝H([x0,x1,...,x
l
‑1])，其中H表示当前层的操作，为卷积操作，同时该式也表明，第l层有个连接。
[0025]一种融合MEMD与Hilbert空间填充曲线的sEMG处理系统，包括
[0026]第一模块：被配置为通过MEMD分解算法将原始表面肌电信号分解为IMF分量，获取
更多瞬时样本数据量以填充Hilbert空间；
[0027]第一模块：被配置为将分解后的IMFs填充为Hilbert曲线，即从Hilbert
‑
IMFs域填充Hilbert空间，生成二维肌电图；
[0028]第一模块：被配置为将生成的肌电图作为卷积神经网络的输入，对表面肌电信号数据进行分类。
[0029]在上述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理系统，MEMD算法的变量定义如下：存在一个N维序列集合V
N
(t)＝{v1(t),v2(t),...,v
n
(t)}，该集合表示有N个通道的表面肌电信号序列；存在另一个n维序列集合该集合表示在n
‑
1维球面上对应k个角度的方向向量集，该方向向量集对应的角度向量集为如果方向向量的总数为M，那么M＝1,2,
…<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，其特征在于，包括：通过MEMD分解算法将原始表面肌电信号分解为IMF分量，获取更多瞬时样本数据量以填充Hilbert空间；将分解后的IMFs填充为Hilbert曲线，即从Hilbert
‑
IMFs域填充Hilbert空间，生成二维肌电图；将生成的肌电图作为卷积神经网络的输入，对表面肌电信号数据进行分类。2.根据权利要求1所述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，其特征在于，MEMD算法的变量定义如下：存在一个N维序列集合V
N
(t)＝{v1(t),v2(t),...,v
n
(t)}，该集合表示有N个通道的表面肌电信号序列；存在另一个n维序列集合该集合表示在n
‑
1维球面上对应k个角度的方向向量集，该方向向量集对应的角度向量集为如果方向向量的总数为M，那么M＝1,2,
…
m。3.根据权利要求1所述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，其特征在于，通过Hammersley序列取样法从n
‑
1维球面上获取合适的角度向量；计算输入信号v
n
(t)在角度向量集中每个角度的投影向量集求出角度向量集对应的投影向量集所有极值，根据极值的瞬时时刻确定一个瞬时时刻向量集通过多元样条插值法对极值点插值，得到包络线集合求包络线的平均值a(t)；将原始序列与均值相减，求得一个中间信号y(t)＝v(t)
‑
a(t)，如果该信号满足判断是否为本征模态函数(IMF)的两个条件，则将该信号作为一个新的IMF分量，再用原始信号v(t)减去所有的IMF分量，作为输入信号v
n
(t)，得到新的IMF分量；如果不满足条件，则直接将y(t)作为输入信号v
n
(t)，重复执行到本步骤；综上所述，IMF分量的获取是一个迭代递归的过程。4.根据权利要求1所述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，其特征在于，从MEMD分解而来的IMFs中选取前六个IMF分量，获取电极数X
×
6＝Y个IMFs，其中Y≤L2，L的值必须为2的幂次，以便填充曲线的单元空间；将Y个IMFs分量依时域分割为长度为N的时间重叠窗口，分割步长为10ms，生成N
×
Y个样本；已有文献验证，一个时间窗口段包含64个样本(640ms)时，模型表现最好；IMF分割如图8所示；将样本集归一化后，样本点的值映射到0
‑
255，然后按照Hilbert曲线的填充顺序填入
Hilbert空间单元格，生成L
×
L的肌电图。5.根据权利要求1所述的一种融合MEMD与Hilbert空间填充曲线的sEMG处理方法，其特征在于，神经网络中包含L层，l表示L层网络中的第l层，即x
l
表示第l层的输出；x
l
＝H([x0,x1,
…
,x
l
‑1])，其中H表示当前层的操作，为卷积操作，同时该式也表明，第l层有个连接。6.一种融合MEMD与Hil...

【专利技术属性】
技术研发人员：刘聪，马钰同，许婷婷，易文涛，胡凯峰，袁功进，胡胜，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：