[发明专利]用于鲁棒肌电信号识别的数据增强方法

说明书

本发明公开了一种用于鲁棒肌电信号识别的数据增强方法，包括：采集电极在基准位置的肌电信号；对采集到的肌电信号进行数据分割和特征提取，构建初步的肌电特征图像；根据重新佩戴电极后可能的偏移位置，对初步的肌电特征图像进行数据增强，得到用于鲁棒肌电信号识别的数据集。上述方法，针对电极可能的偏移情况，进行相应的数据增强以模拟偏移情况下的肌电信号特征，可以确保肌电信号识别的高准确性和控制鲁棒性。

技术领域

本发明涉及肌电信号识别领域，尤其涉及一种用于鲁棒肌电信号识别的数据增强方法。

背景技术

表面肌电信号是肌肉收缩时伴随的电生理信号，它与肌肉的活动密切相关，包含了丰富的肌肉运动信息，由于其具有检测无创性的优点，已经广泛应用于假肢控制和手势识别等领域。模式识别和机器学习是该领域所采用的重要技术，它们通过表面肌电信号提取出的特征构建分类器，能够很好地解析和识别不同信号下肌肉的活动状态。然而，分类器对于电极的配置十分敏感，包括电极间距、电极大小、电极放置位置等。在实际应用中，由于重新穿戴电极后会不可避免地造成电极佩戴位置偏移，之前的肌电信号构建的分类器的性能会急剧下降，但如果重新采集肌电信号构建分类器又会带给使用者极大的训练负担，这一问题严重阻碍了肌电信号的在实际中的应用。

针对电极偏移问题，有方法通过采集所有可能的偏移位置的肌电信号共同构建分类器，也有方法通过采集少量当前偏移位置的肌电信号调整分类器，这两种方法仍然伴随着一定的训练负担。有方法通过增大电极面积降低偏移前后信号间的差异，但这种减少空间分辨率的方法也同时降低了动作模式间的分离程度，使得识别类别减少、识别率下降。另一方面，随着高密度表面电极技术的发展和应用，有方法利用高密度阵列信号的空间信息提取鲁棒的特征或者分析空间的相关性解决电极偏移问题。值得注意的是，这些方法用一次采集的高密度阵列信号，选取相邻通道进行模拟电极偏移，测试和训练集是同时采集的数据，存在有性能被高估的偏差。

近些年，深度学习迅速发展，其中，卷积神经网络在图像的空间特征提取和识别上具有十分优越的性能，而且卷积和池化操作使得网络本身就能学习到一定的平移不变性，由此可以引入来解决电极偏移问题。然而，卷积神经网络需要大量数据，因此会存在训练负担。如何采用数据驱动的方法生成多样数据，是保证卷积神经网络成功用于鲁棒肌电控制的有效方法，但是，目前没有较为有效的方案。

发明内容

本发明的目的是提供一种用于鲁棒肌电信号识别的数据增强方法，针对电极可能的偏移情况，进行相应的数据增强以模拟偏移情况下的肌电信号特征，有利于确保肌电信号识别的高准确性和控制鲁棒性。

本发明的目的是通过以下技术方案实现的：

一种用于鲁棒肌电信号识别的数据增强方法，包括：

采集电极在基准位置的肌电信号；

对采集到的肌电信号进行数据分割和特征提取，构建初步的肌电特征图像；

根据重新佩戴电极后可能的偏移位置，对初步的肌电特征图像进行数据增强，得到用于鲁棒肌电信号识别的数据集。

由上述本发明提供的技术方案可以看出，只需采集一次基准位置的肌电信号后，即可针对可能的偏移情况进行相应的数据增强，以模拟偏移情况下的肌电信号特征，当重新穿戴电极后发生偏移的情况下也能对各个动作模式进行较为准确的识别，无需附加任何校准或者重新训练的过程。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种通过数据增强方法实现动作模式准确预测的流程图；