[发明专利]基于度量学习的小样本膝关节摆动信号分类方法

权利要求书

1.一种基于度量学习的小样本膝关节摆动信号分类方法，其特征在于，包括以下步骤：

第一步，对采集得到的膝关节摆动信号进行预处理

1.1)对膝关节摆动信号进行线性归一化处理，

1.2)采用低通率滤波器去除膝关节摆动信号的基线漂移干扰；

1.3)采用集成经验模态分解EEMD对膝关节摆动信号进行分解，得到本征模函数IMFs，采用DFA算法计算IMFs的分形标度指数α，将符合条件的IMFs叠加得到重构后的膝关节摆动信号，滤除膝关节摆动信号的电力线干扰和高频肌电干扰噪声；

1.4)对重构后的一维膝关节摆动信号做小波变换，得到时频域上的小波变换矩阵，将一维膝关节摆动信号变为二维信号；

第二步，按照专家给出的标准确定膝关节摆动信号标签，将数据集划分为训练集和测试集，其中训练集的数量为70％，训练集的数量为30％；

第三步，构建膝关节摆动信号分类模型，将二维膝关节摆动信号送入模型进行训练，利用分类模型对膝关节摆动信号进行分类识别；构建并训练分类模型的方法如下：

3.1)使用卷积层、批标准化和池化层搭建CNN网络或使用LSTM-RNN网络作为编码器提取高维特征向量，其定义为：

encoder(W):I∈R^H*W*C→x∈R^D

其中，I为输入的数据，H,W,C为输入数据的长、宽和通道数，x为输出的高维特征向量，D为编码后的向量维度，是一个模型中的超参数，在训练的过程中需要对其进行优化；

3.2)将训练集二维信号输入编码器，得到特征向量，依据度量学习的相关理论，计算标签相同样本的特征向量的马氏距离，得到不同标签在高维空间的重心；

3.3)将测试集二维信号输入经过训练后的分类模型中，通过编码器得到特征向量，计算测试集样本特征向量与各标签重心的马氏距离，取马氏距离最小的重心标签为分类结果，计算分类准确率和损失函数，通过反向传播优化编码器中网络的参数；

3.4)当损失函数不在变化时，停止训练，优化编码器中网络的结构、组成，重新训练模型以提高分类准确率；

3.5)重复3.2)-3.4)步，直至得到较高的分类准确率。

2.根据权利要求1所述的一种基于度量学习的小样本膝关节摆动信号分类方法，其特征在于，所述步骤1.1)中线性归一化处理公式为：

其中，X为一维信号，X_min为一维信号的最大值，X_max为一维信号的最小值。