一种基于信号相似度计算的目标信号增强方法及系统技术方案

本发明专利技术公开了一种基于信号相似度计算的目标信号增强方法，包括：S1，利用变分自动编码器网络结构生成多个经过扩充的目标信号样本和/或最佳匹配目标信号样本；S2，基于时间序列可微的损失函数计算生成的目标信号样本和/或最佳匹配目标信号样本和目标信号的校准信号和/或最佳匹配目标信号样本的原始样本之间的差值；S3，基于差值和反向传播更新变分自动编码器网络结构的参数后重复步骤S1

【技术实现步骤摘要】
一种基于信号相似度计算的目标信号增强方法及系统


[0001]本专利技术涉及信号处理和手势识别
，尤其涉及一种基于信号相似度计算的目标信号增强方法及系统。

技术介绍

[0002]目前基于sEMG的手势识别算法均是基于常规场景下的传统识别算法，该类算法在康复训练前需要引导受试者多次执行预期动作以采集足够的数据进行模型训练。该类用户大多存在运动迟缓、肌力下降、易疲劳等一种或多种运动障碍，繁琐的采集流程增加了数据采集负担，对用户带来巨大的身体和时间成本，影响康复治疗体验。
[0003]现有技术提出通过迁移学习和信号增强来实现小样本手势识别。特别是信号增强，信号增强是一种从扩充信号样本的角度来解决小样本手势识别的方法。当面对运动障碍的用户时，可用的信号样本数量非常有限，信号增强通过利用已有信号样本的信息来产生新的、更多的信号样本，以扩展训练集并提高模型性能。然而，信号增强在构建小样本手势识别模型时还存在以下问题：
[0004]基于GAN的信号增强方法中得到的样本是通过对抗训练的方式生成的，生成器会尽可能地生成与真实数据集相似的样本，使判别器无法区分真假，因此生成样本的多样性会受到限制，无法模拟同种手势下生理信号的多样性。

技术实现思路

[0005]为了解决现有技术中存在的问题，减轻数据采集负担，本专利技术提供了一种基于信号相似度计算的目标信号增强方法及系统，基于信号相似度计算进行的信号增强，应用在用户手势生理信号的采集处理过程和场景下，每种手势单次采集的小样本数据前提下，引入手部的运动信息增大用户间手势特征的通用性，从而解决生理信号域间差异大引发的负迁移问题和信号增强方法产生的样本多样性不足的问题，面对新用户时，每种手势仅需要采集一次即可达到与充足表面生理信号数据集训练的传统识别模型相当的识别准确率，避免多次采集给新用户带来负担。
[0006]本专利技术一方面提出一种基于信号相似度计算的目标信号增强方法，包括：
[0007]S1，利用变分自动编码器网络结构生成多个经过扩充的目标信号样本和/或最佳匹配目标信号样本；
[0008]S2，基于时间序列可微的损失函数计算生成的所述目标信号样本和/或最佳匹配目标信号样本和目标信号的校准信号和/或最佳匹配目标信号样本的原始样本之间的差值；
[0009]S3，基于所述差值和反向传播更新所述变分自动编码器网络结构的参数后重复步骤S1
‑
S2，从而获得增强后的多个所需目标信号。
[0010]优选的，所述最佳匹配目标信号样本基于如下步骤获得：
[0011]采集新用户单次重复手势的多模态信号样本形成新用户校准手势数据集；
[0012]基于已有数据建立多模态信号数据库；
[0013]基于所述多模态信号数据库中的多模态信号样本对所述新用户校准手势数据集中的新的校准手势多模态信号样本进行最佳匹配信号筛选获得最佳匹配目标信号样本。
[0014]优选的，所述变分自动编码器网络结构包含编码器、隐变量生成部分和解码器三部分构成，其中编码器部分用于从信号窗中计算每个输入肌电窗的低维均值μ和方差σ；隐变量生成部分通过添加的噪声与均值μ和方差σ做数学运算，得到概率密度函数Z＝{Z1，Z...，Zn}，所述解码器通过所述概率密度函数进行样本重构，通过解码器生成新信号窗。
[0015]优选的，所述样本重构基于如下公式进行：
[0016]Z＝μ+exp(σ)
×
e
[0017]其中μ为均值，σ为方差，e为正态分布中随机采样，Z＝{Z1，Z...，Zn}为概率密度函数；通过控制所述正态分布中随机采样e生成符合预期的信号窗。
[0018]优选的，所述基于时间序列可微的损失函数基于soft
‑
DTW算法实现最小化重建误差部分损失，衡量输入样本和生成样本之间的差异；所述soft
‑
DTW算法使用连续平滑的路径来表示两个时间序列之间的对齐，并计算距离梯度。
[0019]优选的，所述Soft
‑
DTW算法的公式如下：
[0020][0021]其中，β＞0是一个控制Soft
‑
DTW强度的参数，表示在给定路径Y的情况下原始DTW算法的代价函数值；SoftPlus是一个平滑的ReLU函数，用于保证函数可微。
[0022]优选的，所述多个所需目标信号用于训练长短时序Transformer多模态手势识别模型所需要的部分训练集。
[0023]本专利技术的第二方面在于提供一种基于信号相似度计算的目标信号增强系统，包括：
[0024]目标信号生成模块，用于利用变分自动编码器网络结构生成多个经过扩充的目标信号样本和/或最佳匹配目标信号样本；
[0025]计算模块，用于基于时间序列可微的损失函数计算生成的所述目标信号样本和/或最佳匹配目标信号样本和目标信号的校准信号和/或最佳匹配目标信号样本的原始样本之间的差值；
[0026]增强模块，用于基于所述差值和反向传播更新所述变分自动编码器网络结构的参数后再次送入目标信号生成模块和计算模块，从而获得增强后的多个所需目标信号。
[0027]本专利技术的第三方面提供一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如第一方面所述的方法。
[0028]本专利技术的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如第一方面所述的方法。
[0029]本专利技术提供的基于信号相似度计算的目标信号增强方法及系统，具有如下有益的技术效果：
[0030]基于信号相似度计算的目标信号增强方法及系统，在每种手势单次采集的小样本数据前提下，引入手部的运动信息增大用户间手势特征的通用性，从而解决生理信号域间
差异大引发的负迁移问题和信号增强方法产生的样本多样性不足的问题，该方法分别提出了最佳匹配信号筛选和基于信号相似度计算进行的信号增强。基于小样本多模态生理信号下，面对新用户时，每种手势仅需要采集一次即可达到与充足表面生理信号数据集训练的传统识别模型相当的识别准确率，避免多次采集给新用户带来负担。
附图说明
[0031]图1为本专利技术所述的基于信号相似度计算的目标信号增强方法流程框架图。
[0032]图2为本专利技术所述的最佳匹配信号筛选方法流程图。
[0033]图3为本专利技术所述的信号相似度计算方法流程图。
[0034]图4为本专利技术所述的相似度计算方法流程图；图4(a)所示为欧式距离相似度计算方法流程图；图4(b)所示为DTW相似度计算方法流程图。
[0035]图5为本专利技术所述变分自动编码器网络结构及损失函数计算原理示意图。
[0036]图6(a)为本专利技术所述理想状态下LST
‑
EMG
‑
Net向量排序示意图；图6(b)为本专利技术所述LST
‑
EMG
...

【技术保护点】

【技术特征摘要】
1.一种基于信号相似度计算的目标信号增强方法，其特征在于，包括：S1，利用变分自动编码器网络结构生成多个经过扩充的目标信号样本和/或最佳匹配目标信号样本；S2，基于时间序列可微的损失函数计算生成的所述目标信号样本和/或最佳匹配目标信号样本和目标信号的校准信号和/或最佳匹配目标信号样本的原始样本之间的差值；S3，基于所述差值和反向传播更新所述变分自动编码器网络结构的参数后重复步骤S1
‑
S2，从而获得增强后的多个所需目标信号。2.根据权利要求1所述的一种基于信号相似度计算的目标信号增强方法，其特征在于，所述最佳匹配目标信号样本基于如下步骤获得：采集新用户单次重复手势的多模态信号样本形成新用户校准手势数据集；基于已有数据建立多模态信号数据库；基于所述多模态信号数据库中的多模态信号样本对所述新用户校准手势数据集中的新的校准手势多模态信号样本进行最佳匹配信号筛选获得最佳匹配目标信号样本。3.根据权利要求2所述的一种基于信号相似度计算的目标信号增强方法，其特征在于，所述变分自动编码器网络结构包含编码器、隐变量生成部分和解码器，其中编码器部分用于从信号窗中计算每个输入肌电窗的低维均值μ和方差σ；隐变量生成部分通过添加的噪声与均值μ和方差σ做数学运算，得到概率密度函数Z＝{Z1，Z...，Zn}，所述解码器通过所述概率密度函数进行样本重构，通过解码器生成新信号窗。4.根据权利要求3所述的一种基于信号相似度计算的目标信号增强方法，其特征在于，所述样本重构基于如下公式进行：Z＝μ+exp(σ)
×
e；其中μ为均值，σ为方差，e为正态分布中随机采样，Z＝{Z1，Z...，Zn}为概率密度函数；通过控制所述正态分布中随机采样e生成符合预期的信号窗。5.根据权利要求4所述的一种基于信号相似度计算的目标信号增强方法，其特征在于，所述基于时间序列可微的损失函数基于soft
‑

【专利技术属性】
技术研发人员：张文利，赵庭松，庞恭朋，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：