[发明专利]基于表面肌电信号的多尺度信息融合上肢动作分类方法

说明书

本发明公开了一种基于表面肌电信号的多尺度信息融合上肢动作分类方法，涉及智能假肢手控制技术领域，将多通道表面肌电信号采集模块采集的原始表面肌电信号分别进行时频域分析和表面肌电信号图像升维处理，使用卷积神经网络建立多尺度信息融合网络模型，映射多通道表面肌电信号与手部动作模式的关系，完成上肢动作分类。本发明通过结合时频域分析与深度学习网络的优势，融合多尺度肌电信号特征信息，采用高维度卷积神经网络进行训练，深度挖掘表面肌电信号不同特征类型间的隐含信息，建立表面肌电信号与手部动作模式间的非线性关系，完成上肢动作分类，实现智能仿生手手部动作模式的控制。

技术领域

本发明涉及肌电假肢领域，具体涉及一种基于表面肌电信号的多尺度信息融合上肢动作分类方法。

背景技术

基于表面肌电信号的肢体动作模式识别目前主要有两种方法，一是基于传统机器学习的时频域模式识别方法，该方法通过对表面肌电信号进行时频域特征提取，使用机器学习方法完成上肢动作的分类，该方法通过分析单通道表面肌电信号中的时频域特征，挖掘不同动作间的深层关系，但该方法时频域多提取在时间方向上特征信息，较为依赖于人手工设计的特征，需要充足的专业知识储备及丰富的优化经验对特征提取器进行人为设计；且模式识别具有较差的泛化能力，会因特征值的改变导致肢体动作判别准确率下降；二是基于深度学习的神经网络识别方法，该方法利用卷积运算和循环神经网络将表面肌电信号作为图像进行网络的训练与分类，自动提取信号特征并进行学习，自动挖掘表面肌电信号与上肢动作的内在联系，实现输入到输出的端到端的映射，完成上肢动作的分类。该方法虽不用考虑不同特征值而导致模型准确率的变化，但实际肌电图像尺寸较小，进行卷积运算时可提取的信息量较少，从而导致识别准确度提升有限。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种基于表面肌电信号的多尺度信息融合上肢动作分类方法，本发明结合时频域分析方法与深度学习方法的优点，将表面肌电信号时频域特征与表面肌电信号肌电图像特征进行数据融合，通过多尺度信息融合网络模型更深层次提取表面肌电信号特征，进一步提高上肢动作分类的准确性。

实现本发明目的的技术解决方案为：一种基于表面肌电信号的多尺度信息融合上肢动作分类方法，包括以下步骤：

步骤1、通过多通道表面肌电信号采集模块对手臂肌肉表面肌电信号进行采样，通道数为N，得到原始表面肌电信号，对原始表面肌电信号进行窗口分割，肌电信号分割的窗口大小为W，窗口滑动距离为S，得到分割的表面肌电信号的数据形状为N*W，转入步骤2和步骤3。

步骤2、对分割的表面肌电信号进行时频域分析，提取对应的三维度小波包特征，得到三维度小波包特征值，具体如下：

步骤2-1、选择一个通道对应的分割的表面肌电信号，选取小波基函数对上述分割的表面肌电信号进行2层小波包分解，得到4组窗口大小均为W/4的表面肌信号特征数据，所述表面肌信号特征数据为包括各频段时频域信息的表面肌信号特征数据，转入步骤2-2。

步骤2-2、将得到的表面肌信号特征数据进行数据重构，求取4组表面肌信号特征数据的平均值，重新定义为w*w的二维度时频域特征图片，其中

W/4＝w*w；

转入步骤2-3。

步骤2-3、对上述二维度时频域特征图片进行升维，返回步骤2-1，将剩余通道数据逐一处理后，将通道数N作为第三维特征，得到N*w*w的三维度小波包特征值。转入步骤4。

步骤3、将分割的表面肌电信号转换为表面肌电信号图像并进行图像升维处理，提取对应三维度肌电图像特征数据，具体如下：

步骤3-1、选择一个通道对应的分割的表面肌电信号，将上述分割的表面肌电信号生成二维度肌电信号图像，将单个通道大小为W的窗口内的二维度肌电信号图像重塑成m*m的对称图像，转入步骤3-2。