一种基于表面肌电信号的羽毛球挥拍动作识别方法技术

一种基于表面肌电信号的羽毛球挥拍动作识别方法，包括：划分羽毛球挥拍动作；使用MYO采集表面肌电信号；对肌电信号进行预处理的得到活动段；将活动窗肌电信号变换成小波时频图；将时频图送入融合空间和通道注意力机制的CNN网络中，完成空间特征的提取，将空间特征恢复为时间序列送入ConvLSTM网络中，完成时间序列特征的提取，将特征送入线性网络中整合，最后使用Softmax函数得到羽毛球挥拍动作识别结果。本发明专利技术有效地降低了解码时间并提高了识别的准确率。的准确率。的准确率。

【技术实现步骤摘要】
一种基于表面肌电信号的羽毛球挥拍动作识别方法


[0001]本专利技术属于体育运动和生物信号识别领域，尤其涉及一种基于表面肌电信号的羽毛球挥拍动作识别方法。

技术介绍

[0002]表面肌电信号是采用非侵入式电极在人体表面皮肤采集的微弱电信号，它是肌肉运动时伴随产生的电位差。
[0003]不同动作所产生的肌电信号具有一定的差异性，当人准备运动时，由大脑发出信号，经过神经元控制肢体做出运动。肌电信号对运动意图的反应更加直接，采集更加方便，因此肌电信号能够用于识别不同的肢体动作，辅助监测体育运动的标准程度。
[0004]目前肌电信号的识别分为机器学习和深度学习两大类。这两类研究都存在一定的局限性，机器学习需要提取大量的特征，费时费力。深度学习预处理未简化肌电信号，要达到较高识别准确率的训练时间过长，并且对计算机设备要求更高。

技术实现思路

[0005]为解决传统分类方法提取特征过程复杂，识别精度有待提高的技术问题，本专利技术提出一种基于表面肌电信号的羽毛球挥拍动作识别方法。使用肌电信号的小波时频图，结合了融合注意力机制的CNN
‑
Co nvLSTM模型，有效地降低了解码时间并提高了识别的准确率。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]一种基于表面肌电信号的羽毛球挥拍动作识别方法，其特征在于，所述方法包括以下步骤：
[0008]步骤1)划分五种羽毛球接球动作，并采集上肢八通道的肌电信号；
[0009]步骤2)表面肌电信号预处理；
[0010]步骤3)使用滑动窗口，形成标签数据对，使用db5小波对每一个窗口内的肌电信号计算小波系数，并转化为小波时频图；
[0011]步骤4)将小波时频图和对应标签送入基于融合注意力机制的卷积神经网络中得到局部空间特征，再将局部空间特征展开并送入ConvLSTM层中得到序列特征，然后将序列特征送入全连接层，完成特征提取和整合，最后使用Softmax层得到所预测的五种羽毛球挥拍动作概率，将其中最大的概率所对应的羽毛球挥拍动作为识别结果，完成识别过程。
[0012]进一步，在所述步骤1)中，羽毛球挥拍动作具体划分为左下反手挥拍，左中反手挥拍，正上正手挥拍，右中正手挥拍，右下正手挥拍。
[0013]在所述步骤1)中，所述的采集过程具体包括：
[0014]将MYO臂环佩戴在右手大臂肱二头肌部分；
[0015]以200Hz采样频率采集sEMG信号；
[0016]每个击球离散动作重复20次，每次间隔3秒钟。
[0017]在所述步骤2)中，所述的数据预处理依次包括肌电信号同步，小波去噪和活动段提取三个步骤。
[0018]进一步地，数据预处理中的肌电信号同步，根据时间轴截取，使得八个通道的肌电信号处于同一时间轴上。
[0019]进一步地，数据预处理中的小波去噪，使用db5小波对同步后的肌电信号进行小波分解，得到高频与低频分量，对高频分量进行阈值处理，将处理后的各个分量进行小波重构，去除肌电信号的基线噪声，得到20Hz
‑
150Hz频段的信号：
[0020]a
n
‑1＝G
*
a
n
+H
*
d
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0021]其中，a为肌电信号通过低通滤波器G得到的低频系数，d为肌电信号通过高通滤波器H得到的高频系数，G
*
为低通滤波器G的共轭矩阵，H
*
为高通滤波器H的共轭矩阵。
[0022]进一步地，数据预处理中的活动段提取，首先将八个通道的肌电信号全整流并加权求平均，再使用移动平均法对信号进行平滑处理，最后设置阈值提取活动段。
[0023]在所述步骤3)中，所述滑动窗口设置为300ms，步长为60ms，使得相邻窗口重叠部分为80％。对每个窗口内的肌电信号进行小波变换求出小波系数:
[0024][0025]其中，τ为平移量，s是尺度，x(t)为需要变换的表面肌电信号，改变s调整小波的宽度，平移量τ决定时间，表示将得到的每一个结果都归一化。
[0026]最后结合实际频率序列f和时间序列t的小波时频图。
[0027]在所述步骤4)中，在神经网络中加入一种轻量的注意力模块(CBAM)，可以在通道和空间两个维度上进行注意。小波时频图被分类到左下反手挥拍状态，左中反手挥拍状态，正上正手挥拍状态，右中正手挥拍状态，右下正手挥拍状态的概率为：
[0028][0029]其中，h(x,y
i
)为降解后的特征矩阵经过矩阵运算得到的i个特征值。
[0030]在所述步骤4)中，使用ReLU激活函数，使用梯度下降法调整网络参数，损失函数采用交叉熵损失函数(cross_entropy)：
[0031][0032]其中，z为模型预测的标签数值，y为真实的标签数值。
[0033]本专利技术划分羽毛球挥拍动作；使用MYO采集表面肌电信号；对肌电信号进行预处理的得到活动段；将活动窗肌电信号变换成小波时频图；将时频图送入融合空间和通道注意力机制的CNN网络中，完成空间特征的提取，将空间特征恢复为时间序列送入ConvLSTM网络中，完成时间序列特征的提取，将特征送入线性网络中整合，最后使用Softmax函数得到羽毛球挥拍动作识别结果。
[0034]本专利技术的有益效果主要表现在：将传统肌电信号转换为小波时频图，充分利用了肌电信号的特性，使用滑动窗能够进行实时采集和识别，采用小波去噪具有高信噪比的优点，采用融合注意力机制的CNN
‑
ConvLSTM神经网络进行识别，结合了传统的物理特征提取
和神经网络的特点，有效地降低了解码时间并提高了识别的准确率。
附图说明
[0035]图1(a)
‑
图1(f)是本专利技术五种挥拍动作以及休息状态，其中图1(a)是左下反手挥拍，图1(b)是左中反手挥拍，图1(c)是正上正手挥拍，图1(d)是右中正手挥拍，图1(e)是右下正手挥拍，图1(f)是休息状态。
[0036]图2(a)是本专利技术采集数据所用的MYO臂环。
[0037]图2(b)是本专利技术采集数据时MYO臂环佩戴位置。
[0038]图3是本专利技术实验流程图。
[0039]图4是本专利技术采集的左下反手挥拍动作肌电图。
[0040]图5肌电数据预处理流程图。
[0041]图6是本专利技术某一段时间窗的小波幅频图。
[0042]图7是融合注意力机制的CNN
‑
ConvLSTM的模型架构图。
[0043]图8是本专利技术的ConvLSTM网络原理图
具体实施方式
[0044]下面结合附图对本专利技术做进一步描述。
[0045]参照图1(a)
‑
图1(f)、图2(a)
‑
图2(b)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于表面肌电信号的羽毛球挥拍动作识别方法，其特征在于，所述方法包括以下步骤：步骤1)划分五种羽毛球接球动作，并采集上肢八通道的肌电信号；步骤2)表面肌电信号预处理，依次包括肌电信号同步，小波去噪和活动段提取三个步骤。步骤3)使用滑动窗口，形成标签数据对，使用db5小波对每一个窗口内的肌电信号计算小波系数，并转化为小波时频图；步骤4)将小波时频图和对应标签送入基于融合注意力机制的卷积神经网络中得到局部空间特征，再将局部空间特征展开并送入ConvLSTM层中得到序列特征，然后将序列特征送入全连接层，完成特征提取和整合，最后使用Softmax层得到所预测的五种羽毛球挥拍动作的概率，将其中最大的概率所对应的羽毛球挥拍动作为识别结果，完成识别过程。2.如权利要求1所述的一种基于表面肌电信号的羽毛球挥拍动作识别方法，其特征在于：在所述步骤1)中，羽毛球挥拍动作具体划分为左下反手挥拍，左中反手挥拍，正上正手挥拍，右中正手挥拍，右下正手挥拍。3.如权利要求1或2所述的一种基于表面肌电信号的羽毛球挥拍动作识别方法，其特征在于：在所述步骤1)中，所述的采集过程具体包括：将MYO臂环佩戴在右手大臂肱二头肌部分；以200Hz采样频率采集sEMG信号；每个击球离散动作重复20次，每次间隔3秒钟。4.如权利要求1或2所述的一种基于表面肌电信号的羽毛球挥拍动作识别方法，其特征在于：在所述步骤2)中，数据预处理中的同步肌电信号具体为：根据时间轴截取，使得八个通道的肌电信号处于同一时间轴上。5.如权利要求1或2所述的一种基于表面肌电信号的羽毛球挥拍动作识别方法，其特征在于：在所述步骤2)中，数据预处理中的小波去噪具体为：使用db5小波对同步后的肌电信号进行小波分解，得到高频与低频分量，对高频分量进行阈值处理，将处理后的各个分量进行小波重构，去除肌电信号的基线噪声，得到20Hz
‑
150Hz频段的信号：a
n
‑1＝G
*
...

【专利技术属性】
技术研发人员：张文安，杨帆，杨旭升，胡佛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：