一种基于多维特征融合网络的肌肉疲劳检测方法和系统技术方案

本发明专利技术公开了一种基于多维特征融合网络的肌肉疲劳检测方法和系统

【技术实现步骤摘要】
一种基于多维特征融合网络的肌肉疲劳检测方法和系统


[0001]本专利技术属于表面肌电信号分析评估
，具体涉及一种基于多维特征融合网络的肌肉疲劳检测方法和系统
。

技术介绍

[0002]肌肉疲劳是指由运动引起的肌肉的力量生成能力下降的一种生理现象
。
肌肉疲劳是一种普遍现象，但如果不及时解决，会导致过度劳累
、
慢性疲劳综合症
、
过度训练综合症甚至内分泌失调
、
免疫功能低下
、
器质性疾病等
。
在机器人康复领域中（使用机器人外骨骼架设在患者身上进行康复训练），需要在患者的康复过程中考虑肌肉疲劳的变化并及时检测出肌肉疲劳状态，以避免二次损伤的隐患，从而更安全有效地实现患者与康复机器人之间的交互
。
因此，准确检测肌肉疲劳对缓解和治疗肌肉疲劳至关重要，在人机交互中发挥着关键作用，具有重要的医学意义
。
[0003]目前，基于表面肌电信号的肌肉疲劳检测方法主要分为两类
。
第一类为提取能表征肌肉疲劳程度的特征，然后进行分类，所述分类包括非疲劳态
、
疲劳过渡态和疲劳态
。
主要特征有均方根值
、
积分肌电值
、
中值频率
、
平均功率频率
、
小波熵等
。
该方法计算量较大，且需要对信号有一定的先验知识；第二类为通过深度学习模型实现端到端的分类，该方法操作更为方便，但分类性能相对较低
。
因此探索更加高效的肌肉疲劳检测算法至关重要
。

技术实现思路

[0004]为了解决现有基于特征提取的肌肉疲劳检测方法计算量大，且对信号需要一定先验知识的问题
。
以及现有的端到端的深度学习模型较为单一以致对疲劳分类效果不理想的问题，本专利技术提出一种基于多维特征融合网络的肌肉疲劳检测方法和系统
。
[0005]实现本专利技术目的之一的一种基于多维特征融合网络的肌肉疲劳检测方法，包括如下步骤：
[0006]S1、
构建用于检测肌肉疲劳状态的多维特征融合网络；
[0007]S2、
利用采集的多个位置的肌肉的等张收缩的表面肌电信号对所述多维特征融合网络进行训练，得到训练完成的肌肉疲劳检测模型；
[0008]S3、
将肌肉的表面肌电信号输入所述肌肉疲劳检测模型，得到肌肉疲劳类别
。
[0009]进一步地，所述步骤
S2
中，还包括从所述表面肌电信号进行筛选，选定部分位置的肌肉的等张收缩的表面肌电信号对所述多维特征融合网络进行训练，所述筛选方法包括：
[0010]S201、
对采集的表面肌电信号进行非负矩阵分解，得到运动中每个位置的肌肉对每种运动的贡献度；
[0011]S202、
根据所述贡献度选定部分位置的肌肉的表面肌电信号对所述多维特征融合网络进行训练
。
[0012]更进一步地，所述步骤
S201
中，进行非负矩阵分解前，还包括对表面肌电信号进行预处理，所述预处理包括计算每个肌电信号的均方根值，使用原始的肌电信号的均方根值
参与非负矩阵分解
。
[0013]上述方法中，所述多维特征融合网络包括特征提取模块，用于提取能表征肌肉疲劳程度的特征值，所述特征提取模块包括用于提取时域特征的时域特征提取网络和用于提取频域特征的频域特征提取网络
。
[0014]进一步地，所述特征提取模块提取能表征肌肉疲劳程度的特征值的方法包括：
[0015]S101、
截取若干时间片段的表面肌电信号作为数据集，对所述数据集进行窗处理得到时域样本；对所述时域样本进行短时傅里叶变换得到频域样本；
[0016]S102、
将时域样本和频域样本分别输入到所述时域特征提取网络和频域特征提取网络，得到时域特征数据和频域特征数据，通过
cat
操作将所述时域特征数据和频域特征数据进行融合，得到能表征肌肉疲劳程度的特征值，所述
cat
操作为沿数据的空间维度的级联操作
。
[0017]步骤
S101
中，所述窗处理包括：使用窗长为
1s、
步长为
0.25s
的窗对表面肌电信号进行处理
。
[0018]进一步地，所述频域特征提取网络包括：三个特征提取层和一个全连接层，三个特征提取层分别由
32、64、128
个3×3大小的卷积核组成，全连接层神经元个数为
128。
[0019]上述方法中，所述多维特征融合网络包括基于支持向量机的特征分类模块，用于对表征肌肉疲劳程度的特征值进行分类，得到肌肉疲劳的类别
。
[0020]更进一步地，在对表征肌肉疲劳程度的特征值进行分类前，还包括采用基于
K
近邻分类算法的过采样算法对所述特征值进行过采样操作，以使各种疲劳类别对应的数据集大小一致，包括如下步骤：
[0021]采用基于域的聚类方法将所述特征值组成的数据集划分为被困数据集和优秀数据集；
[0022]对于被困数据集中的每个实例，计算其
K
近邻方向的权重；
[0023]对于优秀数据集中的每个实例，设定其
K
近邻方向的权重相等；
[0024]根据数据集中每个实例的权重生成少数类别的合成实例，以使得每个疲劳类别的数据集一致
。
[0025]更进一步地，还包括采用人工蜂鸟算法对所述支持向量机进行参数优化，确定支持向量机的最优参数，所述参数优化的方法包括：
[0026]S1001、
随机初始化支持向量机的待优化参数所组成的多维向量的
n
个参数解；
[0027]S1002、
计算每个参数解对应的测试集的准确率，记录准确率最高时对应的参数解；
[0028]S1003、
随机确定蜂鸟的飞向方向；随机对蜂鸟进行引导式觅食或区域式觅食；
[0029]S1004、
当迭代次数超过迁移系数的预定值时，则将最劣解剔除并重新生成一个随机的参数解；当迭代次数未达到最大迭代次数时，返回步骤
S1002
；当迭代次数超过最大迭代次数时，则将准确率最高时对应的参数解作为支持向量机的最优参数
。
[0030]实现本专利技术目的之二的一种基于多维特征融合网络的肌肉疲劳检测系统，包括多维特征融合网络构建模块
、
多维特征融合网络训练模块和肌肉疲劳检测模块；
[0031]所述多维特征融合网络构建模块用于构建检测肌肉疲劳状态的多维特征融合网络；
[0032]所述多维特征融合网络训练模块用于利用采集的多个位置的肌肉的等张收缩的表面肌电信号对所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多维特征融合网络的肌肉疲劳检测方法，其特征在于，包括如下步骤：
S1、
构建用于检测肌肉疲劳状态的多维特征融合网络；
S2、
利用采集的多个位置的肌肉的等张收缩的表面肌电信号对所述多维特征融合网络进行训练，得到训练完成的肌肉疲劳检测模型；
S3、
将肌肉的表面肌电信号输入所述肌肉疲劳检测模型，得到肌肉疲劳类别
。2.
如权利要求1所述的基于多维特征融合网络的肌肉疲劳检测方法，其特征在于，所述步骤
S2
中，还包括从所述表面肌电信号进行筛选，选定部分位置的肌肉的等张收缩的表面肌电信号对所述多维特征融合网络进行训练，所述筛选方法包括：
S201、
对采集的表面肌电信号进行非负矩阵分解，得到运动中每个位置的肌肉对运动的贡献度；
S202、
根据所述贡献度选定部分位置的肌肉的表面肌电信号对所述多维特征融合网络进行训练
。3.
如权利要求2所述的基于多维特征融合网络的肌肉疲劳检测方法，其特征在于，所述步骤
S201
中，进行非负矩阵分解前，还包括对表面肌电信号进行预处理，所述预处理包括计算每个肌电信号的均方根值，使用原始的肌电信号的均方根值参与非负矩阵分解
。4.
如权利要求
1~3
任一项所述的基于多维特征融合网络的肌肉疲劳检测方法，其特征在于，所述多维特征融合网络包括特征提取模块，用于提取能表征肌肉疲劳程度的特征值，所述特征提取模块包括用于提取时域特征的时域特征提取网络和用于提取频域特征的频域特征提取网络
。5.
如权利要求4所述的基于多维特征融合网络的肌肉疲劳检测方法，其特征在于，提取能表征肌肉疲劳程度的特征值的方法包括：
S101、
截取若干时间片段的表面肌电信号作为数据集，对所述数据集进行窗处理得到时域样本；对所述时域样本进行短时傅里叶变换得到频域样本；
S102、
将时域样本和频域样本分别输入到所述时域特征提取网络和频域特征提取网络，得到时域特征数据和频域特征数据，通过
cat
操作将所述时域特征数据和频域特征数据进行融合，得到能表征肌肉疲劳程度的特征值，所述
cat
操作为沿数据的空间维度的级联操作
。6.
如权利要求5所述的基于多维特征融合网络的肌肉疲劳检测方法，其特征在于，所述频域特征提取网络包括：三个特征提取层和一个全连接层，三个特征提取层分别...

【专利技术属性】
技术研发人员：孟伟，陈龙，刘浩杰，刘泉，艾青松，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：