[发明专利]一种可跨场景通用的肌电模式识别方法

说明书

本发明公开了一种可跨场景使用的肌电模式识别方法，包括：1、采集表面肌电信号并提取特征构建原场景下的源域数据集；2、构建跨场景肌电控制的基于相似性度量的单样本学习网络(Similarity Measure based One‑shot Learning Network,SMOLN)；3、构建原场景下的源域动作模式分类器；4、构建新场景下的目标域动作模式分类器；5、获取待预测的动作模式的肌电信号并使用所述新场景下的目标域动作模式分类器完成模式识别。本发明具有更强的灵活性，仅需极少量的校准再训练样本便可实现肌电控制系统的跨场景鲁棒应用，适用于医疗康复、消费电子等广泛的应用领域。

技术领域

本发明涉及肌电模式识别领域，尤其涉及基于深度学习单样本分类技术，主要用于跨场景通用的肌电控制。

背景技术

表面肌电信号(Surface Electromyogram,sEMG)作为一种电生理信号，反映了丰富的肌肉运动信息，将信息转换成意图，成为假肢和矫形装置的控制指令，在临床康复中发挥了重要作用。随着肌电模式识别(Myoeletric Pattern Recognition,MPR)和人机交互(Human Machine Interaction,HMI)技术的发展，使得表面肌电信号的应用不仅局限于临床康复领域。近年来，肌电模式识别技术更是作为一种通过控制指令进行信息交互的新方式，在体感游戏、可穿戴设备、视觉人机交互界面等领域被使用。在单一场景条件下，当前大多数基于表面肌电信号的分类器能实现较高识别率。然而，在实际使用中，会面临诸多挑战。其中，用户经常会遇到需要切换场景，即指令集中的模式变化或用户发生变化的情况，所以只有一组固定的模式指令显然不是满足生活需求的自然方式。因此，实现跨场景通用的肌电模式识别十分必要。如何实现一种跨场景通用的肌电控制系统，是急需解决的科学问题，并具有巨大的应用潜力和商业价值。

针对这一问题，前人展开了许多相关的研究。有方法直接使用迁移学习(TransferLearning,TL)，依靠在新场景和新条件获得的标记数据进行再训练，进而更新分类器。然而，在跨场景使用时，此方法需要再训练和收集大量带标签的新模式样本，该过程会给用户带来较大的使用负担。也有使用表征学习(Representation Learning)，如：领域适应(Domain Adaptation,DA)等方法，通过缩小训练数据和测试数据特征空间距离，实现自适应调整。还有使用数据操作(Data Manipulation)，如：数据增强(Data Augmentation)等方法，获得更多的上下文信息，进而使在训练数据上训练好的分类器，具有更强的泛化能力。此方法适用于相似情景之间的切换，即待识别样本中无新模式，仅发生偏移。这些方法尽管通过不同途径提高分类器的适应能力，但在切换应用场景，特别是增加了新模式作为控制指令后，分类能力折损显著，限制了肌电接口在人机交互和智能控制领域的广泛应用。

发明内容

本发明为克服现有技术的不足之处，提供一种可跨场景通用的肌电模式识别方法，以期能仅需极少量的校准再训练样本便可实现肌电控制系统的跨场景鲁棒应用，从而能提高肌电模式识别的灵活性。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种可跨场景通用的肌电模式识别方法的特点在于，包括以下步骤：

步骤一、利用多通道肌电传感器或电极阵列采集原用户执行N个动作模式的肌电信号并进行特征提取和信号处理后，得到带有各个动作模式标签的肌电样本，从而构成原场景下的源域数据集；N≥1；

从所述原场景下的源域数据集中任意选取两个肌电样本，并判断其动作模式标签是否相同，若相同，则令所选取的肌电样本对的类别标签为“相同”，否则，令所选取的肌电样本对的类别标签为“不同”，从而形成原场景下的带有类别标签的源域样本对训练集；

步骤二、构建跨场景肌电控制的基于相似性度量的单样本学习的SMOLN网络，并基于所述源域样本对训练集对所述SMOLN网络进行训练；