[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

说明书

一种基于度量学习的小样本膝关节摆动信号分类方法，属于医学及生理信号的分析与分类技术领域。首先，使用滤波器和集成经验模态分解对膝关节摆动信号进行预处理。其次，对预处理后的一维膝关节摆动信号进行小波变换得到二维小波变换图像。最后，将二维图像送入由编码器和聚类算法组成的模型中进行训练，建立预测模型进行分类识别。本发明通过的分类方法的分类效果良好，通过便携式的采集装置即可完成对膝关节摆动信号的采集、处理和分类识别；且本发明不预先提取特征参数，直接将二维膝关节摆动信号送入模型进行训练、分类，避免人为提取特征参数所带来的的局限性，更好的发掘膝关节摆动信号中蕴含的信息。

技术领域

本发明涉及医学及生理信号的分析与分类技术领域，涉及一种基于度量学习的小样本膝关节摆动信号分类方法，特别涉及到在样本有限的情况下，利用已采集的小样本膝关节摆动信号训练模型，对膝关节摆动信号进行分类。

背景技术

目前对膝关节摆动信号分类的研究通常先提取膝关节摆动信号中的一些特征参数，再通过机器学习等方式进行分类，这种方式丢失了原始信号中蕴含的更多信息，对于膝关节摆动信号是否健康以及患病种类的分类准确率有待提高。深度学习是一种应用较多的直接对原始信号进行信息提取和分类的手段，但其对训练集的数量需求较高，目前膝关节摆动信号的样本数量难以达到要求，且尚没有较为合理高效的扩充数据集方法。针对这一问题，本发明提出一种基于度量学习的小样本膝关节摆动信号分类方法来对膝关节摆动信号进行分类将具有重要意义。

发明内容

为了解决现有信号采集条件下存在的数据集不足，容易产生过拟合，最终导致模型对新样本识别性能不足的问题，本发明提供一种基于度量学习的小样本膝关节摆动信号分类方法。

本发明采用的技术方案为：

一种基于度量学习的小样本膝关节摆动信号分类方法，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，其公式为：

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；

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等噪声；

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；