[发明专利]基于改进的受限玻尔兹曼机的肌电信号特征提取方法

说明书

本发明公开一种基于改进的受限玻尔兹曼机的肌电信号特征提取方法，将获取的肌电信号预处理，得到训练数据和测试数据；构建改进的受限玻尔兹曼机网络对训练数据进行训练；定义能量函数，根据能量函数得联合概率分布，再由贝叶斯公式得可视层与隐藏层的条件概率分布，再对可视层数据进行采样得隐藏层数据，然后对隐藏数据进行概率最大池化，对特征数据进行压缩；再对池化后的数据反池化重构隐藏层数据，再根据吉布斯采样由隐藏层数据重构可视层数据，并迭代多次，再堆叠多个受限玻尔兹曼机构成深度玻尔兹曼机网络；使用前面训练好的权重和偏置对测试数据进行分类验证。本发明解决了现有肌电信号提取中的时域特征变化大、频域特征提取不充分的问题。

技术领域

本发明涉及肌电信号特征提取技术领域，具体涉及一种基于改进的受限玻尔兹曼机的 肌电信号特征提取方法。

背景技术

肌电信号能在一定程度上反映神经肌肉的活动，在临床医学、人机功效学、康复医学 以及体育科学等方面均有重要的实用价值。肌电信号特征提取能发现更具意义的潜在变 量，有助于更加深入地了解肌电信号数据，减少数据存储和输入数据带宽，减少冗余。

传统的肌电信号处理的方法是将肌电信号看成均值为零、方差随信号强度变化而变化 的随机信号。时域特征的提取相对比较简单，故时域分析方法在肌电信号应用领域得到了 比较广泛的应用。然而，时域特性虽然容易提取，但大量研究表明，当肌肉收缩力大小稍 有变化时，表面肌电信号的时域特征变化较大，并不稳定，而通过快速傅里叶变换将信号 变换成频域中的频谱或功率谱后，频谱或功率谱的波形变化较小，即肌电信号的频域描述 相对比较稳定。肌电信号的频谱稳定性使得频域方法成为肌电信号处理技术的主流，得到 了广泛的应用。但是肌电信号的复杂性决定了单独使用某一类方法进行肌电信号处理都可 能无法充分利用所得信息。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种基于改进的受限玻尔兹曼机的肌 电信号特征提取方法，实现肌电信号特征提取，解决现有肌电信号提取方法时面临的时域 特征变化大、频域特征提取不充分的问题。

为实现上述目的，本发明采用的技术方案是：

基于改进的受限玻尔兹曼机的肌电信号特征提取方法，包括以下步骤：

步骤1,获取肌电信号并进行预处理，得到训练数据和测试数据；

步骤2，构建改进的受限玻尔兹曼机对训练数据进行训练，使用对比分歧算法和吉布 斯采样更新参数；

步骤3，训练结束后，使用训练好的参数对测试数据进行分类验证，实现肌电信号特 征提取。

本发明提供一种基于改进的受限玻尔兹曼机的肌电信号特征提取方法，首先将获取的 肌电信号通过滤波得到N维数据，对其作傅里叶变换取傅里叶系数，并归一化傅里叶系数， 将归一化后的傅里叶变换系数随机划分为训练数据和测试数据，标记标签；其次，构建改 进受限玻尔兹曼机网络架构对训练数据进行训练，受限玻尔兹曼机的可视层与隐藏层相互 映射，它的网络更新过程是定义一个能量函数，能量函数中的可视数据和隐藏层数据的连 接由之前的可视数据和隐藏数据与权重的线性连接改为卷积，根据能量函数得联合概率分 布，再由贝叶斯公式得可视层与隐藏层的条件概率分布，再对可视层数据进行采样得隐藏 层数据，然后对隐藏数据进行概率最大池化，对特征数据进行压缩；再对池化后的数据反 池化重构隐藏层数据，再根据吉布斯采样由隐藏层数据重构可视层数据，并迭代多次，此 过程使用对比分歧算法进行权重更新，再堆叠多个受限玻尔兹曼机构成深度玻尔兹曼机网 络；最后，训练结束后，使用前面训练好的权重和偏置，在后面的网络中对测试数据进行 分类验证，实现肌电信号特征提取，解决现有肌电信号提取方法时面临的时域特征变化大、 频域特征提取不充分的问题。

优选地，步骤1进一步包括以下步骤：

步骤1.1，对获取的肌电信号进行滤波得到N维数据；