【技术实现步骤摘要】
本专利技术涉及信号处理，特别是涉及一种肌电信号盲分离模型训练方法、应用方法及相关系统。
技术介绍
1、肌电信号是一种人体包含运动意图信息的生理电信号，其携带的运动信息能够通过肌电信号的分解进行提取。表面肌电信号盲分离是一种信号处理技术，旨在从表面肌电信号中分离出运动单元(motorunit，mu)的发放时间序列。肌电信号盲分离可以看成是肌电形成的逆过程，其主要目的是将肌电信号还原成其基本的组成成分——运动单位动作电位序列，从而可以将肌电信号中的单个的运动单位识别出来并进行归类，进而得到参与此次肌肉活动的运动单位的个数、种类、发放信息及波形信息。这些mu发放时间脉冲序列可用于神经生理学研究、中枢神经系统功能障碍的诊断，并可用于建立准确和直观的人机界面(hmi)。
2、肌电信号分解能够让研究者获得单个运动单位的募集、发放信息以及波形信息，从而能够从根本上了解中枢运动神经元的活动状态；通过研究各个运动单位之间的发放关系，能够直观地研究肌肉之间的运动协作关系；当肌肉疾病发生时，通过研究运动单位的发放规律的变化，可以为传统的以经验为基础的临床诊断提供帮助；在康复应用中，肌电信号的分解结果可以帮助治疗师清楚地观察患者的运动功能恢复情况，为康复治疗提供可靠的参考；在运动控制领域，肌电信号分解的结果甚至可以直接作为最基本的肌肉运动指令从而实现控制功能。另外，对肌电信号进行分解还能够分析各个运动单元之间在肌肉收缩期间的行为关系，这将更有效地研究肌肉内部和各个肌肉之间的工作特性。当肌肉收缩力比较大时，通过计算分解后信号的整体信息来分析肌
3、近年来，计算机技术的迅速发展推动了肌电信号的分解在人体步态分析、假肢控制以及人机交互等工程领域的发展。越来越多的应用场景需要肌电信号能够快速被分解，甚至是在线分解。越来越多的分解方法需要被研究出来以满足这些要求。肌电信号分解算法的研究能够推动临床康复医学以及健康医疗电子的发展，具有非常重大的研究意义。
4、目前针对高密度表面肌电图(hd-semg)的分解方法主要依赖于盲源分离(bss)技术。在这些技术中，holobar和zazula提出的kernel compensation(ckc)算法及其梯度优化对应的gckc是最常用的方法。
5、ckc是一种基于非高斯性和非线性性的盲源分离方法，它利用了肌电信号中的非高斯性和非线性性信息。ckc算法首先将具有多个采集通道的表面肌电信号采集系统建模成一个线性时不变的卷积多输入多输出系统。在此模型中，表面肌电信号被表示为运动单元的发放时间序列与动作电位的卷积形式。然后结合线性最小均方误差模型推理出运动单元的发放时间序列关系式。最后引入活动指数来求解互相关向量并计算发放时间序列。该方法能够不涉及复杂卷积矩阵的计算，直接根据表面肌电信号本身提取出运动单元的募集情况和发放信息。经过了人工合成和真实采集的表面肌电信号验证，ckc算法在信号的信噪比较高时能够分解出三十多个运动单元。ckc算法通过最大化输出信号的核心熵来实现盲源分离，这种方法对输入信号的分布形式没有假设，因此在处理非高斯和非线性混合源信号时具有很好的性能。
6、梯度卷积核补偿方法(gradient convolution kernel compensation，gckc)是ckc算法的一种推广。该方法在ckc算法的基础上改进了信号模型中的互相关向量的计算过程：引入一个与发放时间序列有关的一阶可导梯度函数对互相关向量进行迭代更新，并将该互相关向量的收敛值用于计算运动单元的发放时间序列。在互相关向量的初始化中采用与ckc算法同样的规则，而在更新规则上则通过一个梯度函数进行更新并计算收敛值。该方法能够有效分解表面肌电信号的前提是梯度函数的选取必须满足一定的收敛性和稳定性。类似地，gckc也采用了模拟生成和真实采集的两种表面肌电信号进行了验证。经过实验发现，与ckc算法的分解结果相比，gckc算法能够在表面肌电信号信噪比较低的情况下分解出更多的运动单元，同时分解准确率几乎保持不变，说明了gckc算法的鲁棒性更高。gckc算法不仅可以处理非高斯和非线性混合源信号，而且可以处理具有多种分布的源信号，提高了ckc算法的适用性和灵活性。
7、这些方法都是将表面semg信号采集系统建模为多通道的线性时不变卷积多输入多输出系统，把表面semg信号表示为运动单位放电时间序列与动作电位的卷积。随后，利用线性最小均方误差模型估计稀疏时间序列表示的运动单位活动的神经支配脉冲序列(ipts)，其采样率与hd-semg信号相同。
8、上述所有关于表面肌电信号分解方法的研究主要是应用于离线分析场合，因为这些方法的分解速度慢且无法满足实时分解的条件。并且上述方法依赖于复杂的数学模型和迭代的求解过程。在分解之前需要对hd-semg信号进行扩展以将卷积混合物转换为线性瞬时混合物，并通过白化变换进行空间去相关，以改善优化程序的收敛性质。这些预处理过程引入了计算复杂性、延迟和对噪声的敏感性。
9、随着深度学习的发展，逐渐开始了将深度学习应用到表面肌电信号分解的尝试。yue wen等人将semg分解问题视为二分类任务，并使用ckc算法的识别结果训练了一个深度卷积神经网络(cnn)。具体来说，将肌肉信号的muap和发放时间序列作为输入，使用卷积神经网络对其进行分类，输出每个运动单元是否发放的概率。然后，根据这些概率来重建肌肉信号，并通过迭代优化来获得更准确的分解结果。这种方法可以通过较小的窗口进行快速分解，实现低延迟处理。
10、但是，分类模型使用cnn方法以窗口为单位进行分解，无法准确识别密集的肌肉运动单元(mu)的发放，并且当mu发放十分密集，在每个窗口内都有发放时，则无法进行训练。这是因为该方法是以窗口为单位进行识别，当mu的发放密度较高时，一个窗口内可能会有多次发放，导致无法准确识别。同时，序列到序列模型使用的gru网络是串行结构，存在着训练时间长，训练时内存消耗大、模型参数量大的问题。
11、因此，如何设计一种不需要对数据进行预处理，训练速度快、参数较少，并且可以达到较高精度的肌电信号盲分离模型，成为本领域技术人员亟需解决的技术问题。
技术实现思路
1、本专利技术的目的是提供一种肌电信号盲分离模型训练方法、应用方法及相关系统，本专利技术基于时间卷积网络的序列到序列训练框架，能够高效准确地将高密度表面肌电信号分解成运动单位动作电位序列。
2、为实现上述目的，本专利技术提供了如下方案：
3、第一方面，本专利技术提供了一种肌电信号盲分离模型的训练方法，包括：
4、获取样本数据；所述样本数据为高密度表面肌电信号。
5、对所述样本数据进行白化和扩展，得到白化和扩展后的数据。
6、使用gckc算法对所述白化和扩展后的数据进行分解，得到神经支配脉冲序列。
7、对所述样本数据和所述神经支配脉冲序本文档来自技高网...
【技术保护点】
1.一种肌电信号盲分离模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的一种肌电信号盲分离模型的训练方法，其特征在于，在将所述标准化后的数据输入肌电信号盲分离模型之前，所述训练方法还包括：
3.根据权利要求1所述的一种肌电信号盲分离模型的训练方法，其特征在于，对所述样本数据和所述神经支配脉冲序列进行标准化，得到标准化后的数据，具体包括：
4.根据权利要求1所述的一种肌电信号盲分离模型的训练方法，其特征在于，所述损失函数为均方误差损失函数。
5.一种肌电信号盲分离模型的应用方法，其特征在于，包括：
6.一种肌电信号盲分离模型的训练系统，其特征在于，包括：
7.根据权利要求6所述的一种肌电信号盲分离模型的训练系统，其特征在于，所述训练系统还包括：
8.根据权利要求6所述的一种肌电信号盲分离模型的训练系统，其特征在于，所述标准化单元包括：
9.根据权利要求6所述的一种肌电信号盲分离模型的训练系统，其特征在于，所述损失函数为均方误差损失函数。
10.一种肌电信号盲分离模型
...【技术特征摘要】
1.一种肌电信号盲分离模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的一种肌电信号盲分离模型的训练方法，其特征在于，在将所述标准化后的数据输入肌电信号盲分离模型之前，所述训练方法还包括：
3.根据权利要求1所述的一种肌电信号盲分离模型的训练方法，其特征在于，对所述样本数据和所述神经支配脉冲序列进行标准化，得到标准化后的数据，具体包括：
4.根据权利要求1所述的一种肌电信号盲分离模型的训练方法，其特征在于，所述损失函数为均方误差损失函数。
5.一种肌...
【专利技术属性】
技术研发人员：苏敬勇，江曦，邵奕天，郑为杰，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
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。