[发明专利]一种基于肌电信号的健身辅助方法

摘要

本发明一种基于肌电信号的健身辅助方法属于模式识别与人工智能技术领域,涉及一种基于肌电信号的健身辅助方法。该方法通过电极片对人体表面肌电信号进行采集，并通过多种采集电路对人体表面肌电信号进行处理，将处理后的肌电信号传至上位机，对信号进行特征值提取。通过机器学习的SVM支持向量机作为判定动作是否标准的分类器模型，分别使用线性核与不同λ参数的高斯核，分别进行SVM模型训练，选择训练效果最好的模型健身动作标准判定。通过三层BP神经网络作为对动作进行分类的分类器模型，以提取到的特征值作为神经网络的输入神经元。使用RELU函数作为激活函数，实现输入信息的非线性映射，训练后得到分类器模型实现动作识别,有很高的准别率。

主权项

1.一种基于肌电信号的健身辅助方法，其特征在于，辅助方法通过电极片和多种采集电路对人体表面肌电信号进行处理，传至上位机后，对信号进行特征值提取；通过机器学习的SVM支持向量机作为判定动作是否标准的分类器模型，分别使用线性核与不同λ参数的高斯核，分别进行SVM模型训练，选择训练效果最好的模型健身动作标准判定；通过三层BP神经网络作为对动作进行分类的分类器模型，以提取到的特征值作为神经网络的输入神经元；使用RELU函数作为激活函数，实现输入信息的非线性映射，训练后得到分类器模型，实现动作识别；方法的具体步骤如下：/n步骤1、将电极片贴在待测肌肉上，将原始肌电信号连接到硬件电路上，原始肌电信号依次通过前置放大电路、巴特沃斯高、低频滤波电路、陷波电路、二级放大电路，得到放大、滤除工频干扰的处理后的肌电信号；由于肌电信号有正负性，再通过AD采集电路对硬件电路处理后的肌电信号进行模数转换，再将上述处理后的肌电信号传至上位机，对肌电信号进行时域上的特征值提取；/n步骤2、对上位机接收到的处理后的肌电信号进行时域上的特征值提取，提取的特征值为：积分肌电值(iEMG)、平均绝对值(MAV)、方差(VAR)、均方根值(RMS)；其中，积分肌电值iEMG是所有采样点的绝对的总和，反映一个采样周期内肌肉的总能量信息：/n /n平均绝对值(MAV)，可以反映肌肉的平均能量信息，/n /n方差(VAR)反映肌肉能量离散程度，/n /n均方根值(RMS)反映肌肉有效能量信息，/n /n步骤3、将上述四个特征值输入到SVM支持向量机模型中，进行模型训练；SVM支持向量机超平面方程为：/nw^Tx+b＝0 (5)/n其中，w为各个维度的权值向量，b为各个维度的偏置向量，x是样本数据在各个维度的特征值向量；分类器函数只需要输出两个结果，并引入符号函数sign，当函数值当大于零时为1，小于0时为-1；分类器函数公式为：/nf(x)＝sign(w^Tx_i+b) (6)/n根据支持向量机原理，选定超平面的过程为通过改变w和b向量，使距离超平面最近的点距离最大化，目标函数公式如下：/n /n约束条件公式如下：/n /n通过变形得到目标函数公式如下：/n /n约束条件为：/n /n函数变为N个线性约束条件下的凸函数求最值问题，并且是强对偶问题，通过拉格朗日乘子来求解，公式为：/n /n原目标函数变为公式8：/ng(x)＝min_w,bmax_λL_w,b,λ (12)/n由于该函数具有强对偶性，可以对偶变换为公式9：/ng(x)＝max_λmin_w,bL_w,b,λ (13)/n约束条件为：/nλ_i≥0 (14)/n由于凸函数极值即最值，因此可以分别通过L对w,b,λ求偏导，通过偏导数等于0解出w，w的表达式为：/n /n由于函数具有强对偶性，因此满足KKT条件，KKT条件除三个偏导为0与λ_i≥0条件外还有两个附加条件，附加条件为公式16、公式17：/nλ_i×(1-f(x_i)×(w^Tx_i+b))＝0 (16)/n1-f(x_i)×(w^Tx_i+b)≤0 (17)/n将w带入KKT条件中，解得：/n /n其中，x_k是满足KKT不等式条件的值；/n上述公式为SVM在使用线性核函数的推导过程，若数据为非线性，选取rbf高斯核函数进行计算，推导过程同理；高斯核函数为：/n /n通过上述方法训练出SVM支持向量机判定模型，选择训练效果最好的SVM模型，对健身是否标准进行判定；在个人独自健身训练时进行健身动作标准判定，标准则判定为1，反之判定为0；/n步骤4、将上述四个特征值作为BP神经网络模型的输入神经元，进行模型训练；通过三层BP神经网络作为对动作进行分类的分类器模型，隐藏层神经元个数为5个；使用RELU函数作为激活函数，实现输入信息的非线性映射；BP神经网络模型的训练时需先输入初始化权重系数矩阵w、初始化截距系数矩阵b与测试集，其中测试集包括特征值向量x以及与每组特征值向量相对应的理想输出向量y；使用RELU函数作为激活函数，实现输入信息的非线性映射通过正向传播，得到模型输出向量通过误差函数判断与y的误差，作为修正w与b的参数；通过反向传播，误差函数逐级修正权重系数w与截距参数b，修正后再次正向传播，通过对模型的反复训练，得到理想的BP神经网络分类模型，通过输入四种特征值，对健身动作进行分类。/n