[发明专利]一种基于卷积神经网络的表面肌电信号分类方法及系统

权利要求书

1.一种基于卷积神经网络的表面肌电信号分类方法，其特征在于，所述方法包括：

对各通道的肌电信号进行预处理；

对各通道预处理后的肌电信号进行特征信息提取；每个通道提取出多种特征信息；

将不同通道内提取到的相同种类的特征信息进行组合，生成多组二维数据；每组二维数据只包含一种特征信息；

构建卷积神经网络模型；所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层；

通过多组所述二维数据训练所述卷积神经网络模型；

通过训练好的卷积神经网络模型对表面肌电信号进行分类，识别出手势动作；

其中，所述多种特征信息包括时域、频域以及时频域三种类型的多种特征信息；时域特征信息包括：原始信号、均值、标准差以及波长变化；频域特征信息为傅里叶变换数据；时频域特征信息为基于小波变换得到的小波系数；

均值信息通过如下公式计算得到：

公式中，为t时刻的第i通道的原始信号序列，i表示信号通道，t表示时间步，N为单帧信号窗长；

标准差信息通过如下公式计算得到：

其中，为第i通道信号的单帧信号的平均值；

波长变化信息通过如下公式计算得到：

其中，为t+1时刻的第i通道的原始信号序列；

频域特征信息采用离散傅里叶变换获得，计算公式为：

其中，n为0到N-1之间的整数；

时频域特征信息采用离散小波变换获得，采用sym4作为小波基函数，进行3层小波变换，分解后可得到4个小波变换系数S_dwt1，S_dwt2，S_dwt3，S_dwt4：

其中，S为原始信号序列。

2.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法，其特征在于，所述对各通道的肌电信号进行预处理包括噪声滤除和动作分割处理。

3.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法，其特征在于，在所述对各通道预处理后的肌电信号进行特征信息提取，之后还包括：采用最邻近插值技术将长度较短的特征信息进行补长，使各特征信息长度相同。

4.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法，其特征在于，所述通过多组所述二维数据训练所述卷积神经网络模型，具体包括：

将多组所述二维数据输入至所述卷积神经网络模型，得到输出结果；

判断所述输出结果与目标参考值的误差是否在阈值范围内；

若是，则确定所述卷积神经网络模型为训练好的卷积神经网络模型；

若否，则采用交叉熵损失函数和Adam优化器调整所述卷积神经网络模型，使所述输出结果与所述目标参考值的误差在所述阈值范围内。