【技术实现步骤摘要】
本专利技术涉及信号处理，具体涉及一种基于中间域学习和域特定信息移除的跨用户肌电模式识别方法。
技术介绍
1、肌电信号(electromyograpy,简称emg)是肌肉收缩时伴随的生物电信号，能够用来表征用户的运动状态或运动意图。表面肌电信号可以通过表面电极获得，反映了运动关节活动强度和伸屈状态。基于表面肌电信号的手部运动识别是一种很实用的技术，可以实现用户和外部设备的交互，帮助健康人和残疾人完成日常活动。
2、肌电模式识别被认为是一项里程碑式的技术发展，能够控制多个自由度。由于不同用户的生理和解剖学差异，多个用户训练的肌电界面不能直接适应新用户独特的手部运动模式。现有的跨用户手势识别方法大多采用基于差异或基于对抗的直接域自适应(domain adaptation,简称da)方法来解决这个问题，比如多流自适应批归一化(multi-stream adaptive batch normalization，ms-adabn),自适应域对抗神经网络(adaptivedomain adversarial neural network，adann)等。目的是学习能够对来自多个背景用户和新用户的表面肌电信号进行手势分类的域不变表示。然而，当源域和目标域的数据分布差异很大时，直接学习这部分表示会导致训练过程不稳定，影响自适应性能。因此，跨用户模型在域差异过大时仍然能保持高性能手势识别的这一需求还没有得到满足。
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处，提出一种基
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于中间域学习和域专有信息移除的跨用户肌电模式识别方法的特点在于，包括如下步骤：
4、步骤1：获取一批k位不同受试者执行n种不同动作时所产生的多通道肌电信号，并对所述多通道肌电信号进行滑窗、活动段分割以及特征提取后，得到所有源域用户的训练样本数据集，其中，第i个源域用户的训练样本数据集记为表示第i个源域用户的第m个训练样本，表示第i个源域用户的第m个训练样本对应的真实标签；mi表示第i个源域用户的训练样本数据集中的训练样本数目；
5、获取目标域新用户的校准样本数据集其中，表示校准样本数据集dc的第n个校准样本，表示第n个校准样本对应的真实标签；nc表示所述校准样本数据集dc中的校准样本数目；
6、获取所述目标域新用户的无标签样本数据集其中，表示无标签样本数据集dt的第l个测试样本；nt表示无标签样本数据集dt中的测试样本数目；其中，nc＜nt；
7、步骤2：将来自和中的样本按照同类别进行配对后，得到配对后的第i个源域用户样本集将配对后的第i个源域用户的样本集记为与第i个源域用户配对后的目标域新用户的校准样本数据集记为其中，表示配对后的第i个源域用户的第m'个训练样本，表示配对后的目标域新用户的第m'个校准样本；y′i,m'表示或对应的类别标签，m′i表示配对后的样本数目；
8、使用式(1)分别生成第i个源域用户的源主域样本以及与第i个源域用户配对后的目标主导域样本
9、
10、式(1)中，α表示混合比例；
11、步骤3：构建双流肌电手势分类网络，并分别对进行处理，得到对应的动作类别的预测概率对应的动作类别的预测概率对应的动作类别的预测概率对应的动作类别的预测概率从而得到对应的动作类别的预测概率集合对应的动作类别的预测概率集合对应的动作类别的预测概率集合对应的动作类别的预测概率集合
12、步骤4：将中的k个预测概率向量拼接起来得到源域概率预测向量集合其中，表示源域第m″个概率预测向量，从中选择最大概率所对应的类别作为样本的预测标签；其中，为所有源域训练样本拼接后的第m″个训练样本，为对应的标签；m″表示拼接后的源域样本个数；
13、将中的k个预测概率向量拼接起来得到拼接后的源主导域概率预测向量集合其中，表示源主导域第m″个概率预测向量；
14、将中的k个预测概率向量拼接起来得到拼接后的目标域概率预测向量集合其中，表示目标域第m″个概率预测向量，从中选择最大概率所对应的类别作为样本的预测标签，其中，为所有目标域校准样本拼接后的第m″个校准样本，为对应的标签；
15、将中的k个预测概率向量拼接起来得到拼接后的目标主导域概率预测向量集合其中，表示目标主导域第m″个概率预测向量；
16、将和进行拼接后，得到源域侧概率预测向量其中，代表第o个源域侧样本的预测向量；
17、将和进行拼接后，得到目标域侧概率预测向量其中，代表第o′个目标域侧样本的预测向量；
18、步骤5：利用式(8)构建总损失
19、
20、式(8)中，表示源域侧的有监督损失，表示目标域侧的有监督损失，表示源域样本手势分类损失，表示目标域样本手势分类损失：
21、步骤6：基于所述各源域样本集源域主导样本集目标域校准样本集以及对应的目标域校准样本主导集使用adam优化器按批次对所述双流肌电手势分类网络进行训练，并计算总损失l，同时使用反向传播算法更新网络的参数，从而得到适合新用户的最佳手势分类模型；
22、步骤7：利用训练好的最佳手势分类模型对所述目标域新用户的无标签样本数据集进行分类，得到每个测试样本的类别标签。
23、本专利技术所述的基于中间域学习和域特定信息移除的跨用户肌电模式识别方法的特点也在于，所述构建双流肌电手势分类网络包含两条支路，其中，第一条支路依次是由第一个卷积块、第一个域专有的归一化层，第二个卷积块，第二个域专有的归一化层，一个展开层和三个全连接层构成，其中，每个卷积块依次包含一个卷积层和一个最大池化层；第二条支路和第一条支路结构相同，除两个域专有的归一化层中参数不同外，其他层的参数共享；
24、将输入双流肌电手势分类网络的第一条支路中，并由一个卷积块对进行处理后，得到第一个卷积块输出的配对后的第i个源域用户的第m'个中间特征
25、第一个域专有的归一化层利用式(2)对进行白化，得到配对后的第i个源域用户的第m'个白化后的样本
26、
27、式(2)中，和分别代表配对后的第i个源域用户的样本集的均值和方差，ε代表参数；
28、第一个域专有的归一化层按照式(3)对进行转换，得到第一个域专有的归一化层输出的配对后的第i个源域用户的第m'个中间特征
29、
30、式(3)中，和表示第i个源域用户的两个仿射参数；
31、所述第一条支路中的第二个卷积块对进行处理后，再输入第二个域专有的归一化层中进行处理，从而得到第二个域专有的归一化层输出的中间特征，并经过本文档来自技高网...
【技术保护点】
1.一种基于中间域学习和域专有信息移除的跨用户肌电模式识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于中间域学习和域特定信息移除的跨用户肌电模式识别方法，其特征在于，所述构建双流肌电手势分类网络包含两条支路，其中，第一条支路依次是由第一个卷积块、第一个域专有的归一化层，第二个卷积块，第二个域专有的归一化层，一个展开层和三个全连接层构成，其中，每个卷积块依次包含一个卷积层和一个最大池化层；第二条支路和第一条支路结构相同，除两个域专有的归一化层中参数不同外，其他层的参数共享；
3.根据权利要求2所述的基于中间域学习和域特定信息移除的跨用户肌电模式识别方法，其特征在于，所述步骤5包括：
4.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-3中任一所述跨用户肌电模式识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
5.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-3中任一所述跨用户肌电模式识
...【技术特征摘要】
1.一种基于中间域学习和域专有信息移除的跨用户肌电模式识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于中间域学习和域特定信息移除的跨用户肌电模式识别方法，其特征在于，所述构建双流肌电手势分类网络包含两条支路，其中，第一条支路依次是由第一个卷积块、第一个域专有的归一化层，第二个卷积块，第二个域专有的归一化层，一个展开层和三个全连接层构成，其中，每个卷积块依次包含一个卷积层和一个最大池化层；第二条支路和第一条支路结构相同，除两个域专有的归一化层中参数不同外，其他层的参数共享...
【专利技术属性】
技术研发人员：陈勋，薛博，吴乐，刘爱萍，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。