基于迁移学习和支持向量机的表面肌电信号动作识别方法技术

本发明专利技术公开了一种上肢动作识别技术领域的基于迁移学习和支持向量机的表面肌电信号动作识别方法，旨在解决现有技术对于上肢动作进行识别时的准确率不佳，且模型的泛化能力较差的问题。其包括：采集动作相对应的表面肌电信号，并对采集的表面肌电信号进行预处理；将预处理后的表面肌电信号通过短时傅里叶变换转换为其对应的频谱图，并将对应的频谱图沿竖直方向拼接以获取数据集；将获取的数据集输入到预先训练好的基于迁移学习和支持向量机的分类模型，通过所述分类模型输出对应该表面肌电信号的分类结果；本发明专利技术适用于动作识别，本申请所提出的方法在对于上肢动作进行识别时的准确率较高，模型泛化能力较强，保证了本申请的实用性。请的实用性。请的实用性。

【技术实现步骤摘要】
基于迁移学习和支持向量机的表面肌电信号动作识别方法


[0001]本专利技术涉及一种基于迁移学习和支持向量机的表面肌电信号动作识别方法，属于上肢动作识别


技术介绍

[0002]脑卒中现已成为全球第二大死亡原因和成年人致残的主要原因。脑卒中患者的康复训练成为患者患肢恢复运动能力的关键一环。传统康复医师在帮助患者康复训练的过程中持续时间较长且需要医师和患者一对一互动，对康复医师消耗较大，康复效率较低。康复机器人可以替代医师对患者进行一些较为机械重复的康复作业，提高脑卒中患者的康复效率。
[0003]患者在患肢具备一定自主运动能力后检测其主动运动意图尤为重要，可实现患者主动辅助运动。通过表面肌电信号识别上肢运动意图是现有研究中的常用方法，其主要步骤为信号采集和预处理、特征提取、分类器学习等。传统研究方法人为提取肌电信号时域、频域和时频域上的特征信息，对特征进行组合，以选出送入分类器的最优特征，并赋上相应动作的标签。传统方法虽然存在操作原理的简便性、提取特征的可解释性等优点，但无法对特征质量的好坏提前判断，通常需要评价多种特征的组合，过程较为繁琐。由于受试者间的表面肌电信号差异较大，使用传统方法得到的模型可能在其他受试者使用时表现不佳，即模型泛化能力较差，这使得模型的使用范围受到很大限制。
[0004]现有的表面肌电信号动作识别模型在对于上肢动作进行识别时的准确率不佳，且模型的泛化能力较差，影响装置的实用性。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的不足，提供一种基于迁移学习和支持向量机的表面肌电信号动作识别方法，解决现有的表面肌电信号动作识别模型在对于上肢动作进行识别时的准确率不佳，且模型的泛化能力较差的问题。
[0006]为解决上述技术问题，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种基于迁移学习和支持向量机的表面肌电信号动作识别方法，包括：
[0008]采集表面肌电信号，并对采集的表面肌电信号进行预处理；其中，所述预处理包括信号滤波、信号活动段检测和信号加窗；
[0009]将预处理后的表面肌电信号通过短时傅里叶变换转换为其对应的频谱图，并将对应的频谱图沿竖直方向拼接以获取数据集；
[0010]将获取的数据集输入到预先训练好的基于迁移学习和支持向量机的分类模型，通过所述分类模型输出对应该表面肌电信号的分类结果。
[0011]进一步的，得到所述训练好的基于迁移学习和支持向量机的分类模型，包括：
[0012]采集动作相对应的表面肌电信号，并对采集的表面肌电信号进行预处理；其中，所
述预处理包括信号滤波、信号活动段检测和信号加窗；
[0013]将预处理后的表面肌电信号通过短时傅里叶变换转换为其对应的频谱图，并将对应的频谱图沿竖直方向拼接以获取数据集，将获取的数据集随机划分为训练集、验证集和测试集；
[0014]通过迁移学习调用VGG16模型和Resnet50模型，对迁移的VGG16模型和Resnet50模型进行初步微调，将训练集和验证集输入初步微调的VGG16模型和Resnet50模型以确定最佳参数，根据最佳参数确定最佳微调的VGG16模型和Resnet50模型，将最佳微调的VGG16模型和Resnet50模型的最后一层全连接层去除后，将其作为特征提取网络，将训练集和验证集输入特征提取网络中以提取特征，将提取的特征拼接后输入支持向量机中进行训练，以获取分类模型；
[0015]其中，所述最佳参数包括最优调整层数和最优调整块数。
[0016]进一步的，所述采集动作相对应的表面肌电信号包括：
[0017]根据给定的动作指令同步采集动作相对应的表面肌电信号；
[0018]其中，所述给定的动作指令包括：肘水平屈曲、肘水平伸展、肩水平内收、肩水平外展、前臂内旋、肘水平屈曲和前臂内旋的复合动作。
[0019]进一步的，所述预处理包括信号滤波、信号活动段检测和信号加窗：
[0020]采用巴特沃斯高通滤波结合小波阈值去噪对采集的表面肌电信号降噪处理，以获取降噪后的表面肌电信号；
[0021]采用移动平均值结合阈值方法对降噪后的表面肌电信号进行活动段检测，以获取信号活动段；
[0022]采用重叠滑动窗口对信号活动段加窗；
[0023]其中，滑动窗口窗长为300ms，相邻窗口的重叠量设置为滑动窗口窗长的40％。
[0024]进一步的，所述将信号加窗后的表面肌电信号通过短时傅里叶变换转换为其对应的频谱图，并将对应的频谱图沿竖直方向拼接以获取数据集，将获取的数据集随机划分为训练集、验证集和测试集包括：
[0025]将信号加窗后的表面肌电信号时域片段进行短时傅里叶变换转换为其对应的频谱图，将对应的频谱图沿竖直方向拼接成一张图片，将拼接后的图片按70％、15％、15％的比例随机划分为训练集、验证集和测试集。
[0026]进一步的，所述通过迁移学习调用VGG16模型和Resnet50模型，对迁移的VGG16模型和Resnet50模型进行初步微调，将训练集和验证集输入初步微调的VGG16模型和Resnet50模型以确定最佳参数，根据最佳参数确定最佳微调的VGG16模型和Resnet50模型，将最佳微调的VGG16模型和Resnet50模型的最后一层全连接层去除后，将其作为特征提取网络包括：
[0027]通过迁移学习调用VGG16模型和Resnet50模型；
[0028]对迁移的VGG16模型和Resnet50模型进行初步微调包括：调整VGG16模型最后一层全连接层的神经元数量，并在全连接层之间加入随机失活层；调整Resnet50模型最后一层全连接层的神经元个数，在全局平均池化层和全连接层之间加入随机失活层；
[0029]将训练集和验证集输入初步微调的VGG16模型和Resnet50模型以确定最佳参数包括：对初步微调后的VGG16模型从顶层卷积层开始做微调分析，分别微调n层，并将训练集和
验证集输入VGG16模型中以获取多组分类效果，将获取的多组分类效果进行比较以确定最优调整层数；对初步微调后的Resnet50模型从顶层卷积块开始做微调分析，分别微调m个卷积块，并将训练集和验证集输入Resnet50模型中以获取多组分类结果，将获取的多组分类结果进行比较以确定最优调整块数；
[0030]根据最佳参数确定最佳微调的VGG16模型和Resnet50模型，将最佳微调的VGG16模型和Resnet50模型的最后一层全连接层去除后，将其作为特征提取网络包括：根据最优调整层数确定最佳微调的VGG16模型，根据最优调整块数确定最佳微调的Resnet50模型，去除最佳微调的VGG16模型和Resnet50模型最后一层全连接层，将去除最后一层全连接层后最佳微调的VGG16模型和Resnet50模型作为特征提取网络；
[0031]其中，n为整数，n的取值范围为[0，13]；m为整数，m的取值范围为[0，17]。...

【技术保护点】

【技术特征摘要】
1.基于迁移学习和支持向量机的表面肌电信号动作识别方法，其特征在于，包括：采集表面肌电信号，并对采集的表面肌电信号进行预处理；其中，所述预处理包括信号滤波、信号活动段检测和信号加窗；将预处理后的表面肌电信号通过短时傅里叶变换转换为其对应的频谱图，并将对应的频谱图沿竖直方向拼接以获取数据集；将获取的数据集输入到预先训练好的基于迁移学习和支持向量机的分类模型，通过所述分类模型输出对应该表面肌电信号的分类结果。2.根据权利要求1所述的基于迁移学习和支持向量机的表面肌电信号动作识别方法，其特征在于，得到所述训练好的基于迁移学习和支持向量机的分类模型，包括：采集动作相对应的表面肌电信号，并对采集的表面肌电信号进行预处理；其中，所述预处理包括信号滤波、信号活动段检测和信号加窗；将预处理后的表面肌电信号通过短时傅里叶变换转换为其对应的频谱图，并将对应的频谱图沿竖直方向拼接以获取数据集，将获取的数据集随机划分为训练集、验证集和测试集；通过迁移学习调用VGG16模型和Resnet50模型，对迁移的VGG16模型和Resnet50模型进行初步微调，将训练集和验证集输入初步微调的VGG16模型和Resnet50模型以确定最佳参数，根据最佳参数确定最佳微调的VGG16模型和Resnet50模型，将最佳微调的VGG16模型和Resnet50模型的最后一层全连接层去除后，将其作为特征提取网络，将训练集和验证集输入特征提取网络中以提取特征，将提取的特征拼接后输入支持向量机中进行训练，以获取分类模型；其中，所述最佳参数包括最优调整层数和最优调整块数。3.根据权利要求2所述的基于迁移学习和支持向量机的表面肌电信号动作识别方法，其特征在于，所述采集动作相对应的表面肌电信号包括：根据给定的动作指令同步采集动作相对应的表面肌电信号；其中，所述给定的动作指令包括：肘水平屈曲、肘水平伸展、肩水平内收、肩水平外展、前臂内旋、肘水平屈曲和前臂内旋的复合动作。4.根据权利要求1或2所述的基于迁移学习和支持向量机的表面肌电信号动作识别方法，其特征在于，所述预处理包括信号滤波、信号活动段检测和信号加窗：采用巴特沃斯高通滤波结合小波阈值去噪对采集的表面肌电信号降噪处理，以获取降噪后的表面肌电信号；采用移动平均值结合阈值方法对降噪后的表面肌电信号进行活动段检测，以获取信号活动段；采用重叠滑动窗口对信号活动段加窗；其中，滑动窗口窗长为300ms，相邻窗口的重叠量设置为滑动窗口窗长的40％。5.根据权利要求2所述的基于迁移学习和支持向量机的表面肌电信号动作识别方法，其特征在于，所述将信号加窗后的表面肌电信号通过短时傅里叶变换转换为其对应的频谱图，并将对应的频谱图沿竖直方向拼接以获取数据集，将获取的数据集随机划分为训练集、验证集和测试集包括：将信号加窗后的表面肌电信号时域片段进行短时傅里叶变换转换为其对应的频谱图，
将对应的频谱图沿竖直方向拼接成一张图片，将拼接后的图片按70％、15％、15％的比例随机划分为训练集、验证集和测试集。6.根据权利要求2所述的基于迁移学习和支持向量机的表面肌电信号动作识别方法，其特征在于，所述通过迁移学习调用VGG16模型和Resnet5...

【专利技术属性】
技术研发人员：徐林森，张恒玮，眭翔，谭治英，徐孝彬，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：