[发明专利]基于肌肉核心激活区域的电极校正及肌电模式识别方法

权利要求书

1.一种基于肌肉核心激活区域的电极校正方法，其特征在于，包括：

使用电极阵列采集用户执行手势动作时产生的表面肌电信号，构建包含不同性别、不同年龄的多位健康用户在不同电极贴附位置下的手势肌电数据集；

对手势肌电数据集进行预处理，提取出源信号和混合系数矩阵，将二范数能量最大的源信号对应的混合系数向量映射到电极阵列的对应位置，提取肌肉核心激活区域，通过核心激活区域的对齐实现电极的自适应校准；

其中，对每一手势动作产生的表面肌电信号均采用下述方式进行预处理：通过幅度阈值检测法，将幅值异常的通道舍弃，并取相邻通道的平均值代替；采用肌电幅度阈值法做活动段分割，使用带通滤波器对每一个活动段进行滤波，再使用高斯标准化方法对通道进行归一化；选取维持阶段数据，使用滑动分析窗的方法进行样本扩充；

对于每个滑动分析窗内信号阵列，利用快速独立成分分析算法分解为多路源信号S＝[S1,S2,…,Sn]和对应的混合系数向量A＝[A1,A2，…,An]；其中，n为信号数目；

将混合系数向量Aj内部所有元素的平方和记为sqr(Aj)，对每个混合系数向量Aj分别进行归一化，即将Aj除以sqr(Aj)，然后将相应的源信号Sj对应乘以sqr(Aj)；j＝1,2,…,n；选择二范数能量最大的源信号对应的混合系数向量作为主模式，计算主模式元素的绝对值，并从小到大用序号1～p×q重新标记每个元素；

将主模式映射到电极阵列的相应位置，以边长为a通道的正方形滑动窗遍历，选择滑动窗口中序号和最大的区域作为核心激活区域；如果序号和最大的区域不唯一，则选择其中元素方差最小的一个。

2.根据权利要求1所述的一种基于肌肉核心激活区域的电极校正方法，其特征在于，所述电极阵列为高密度的柔性电极阵列，行通道数为p，列通道数为q，柔性电极阵列内部相邻通道间距离为d。

3.根据权利要求1或2所述的一种基于肌肉核心激活区域的电极校正方法，其特征在于，所述使用电极阵列采集用户执行手势动作时产生的表面肌电信号包括：

在用户前臂背侧放置电极阵列，用于捕捉前臂伸肌肌群的肌电信号；或者，在用户前臂伸肌和屈肌上分别放置柔性电极，用于捕捉前臂两大肌群的肌电信号；

在任一种电极阵列放置方式下，用户逐一执行预先设计的所有手势动作。

4.根据权利要求3所述的一种基于肌肉核心激活区域的电极校正方法，其特征在于，每次手势动作之间休息指定时间；每个手势动作重复N次，时间间隔若干秒，每次手势动作持续若干秒；

手势动作的执行分为三个阶段：开始阶段、维持阶段和结束阶段；在开始阶段，手势动作即将开始执行，肌肉开始收缩；在维持阶段，动作保持静止，所有关节和肌肉收缩模式固定；在结束阶段，肌肉即将放松，手臂回到初始位置。

5.一种肌电模式识别方法，其特征在于，包括：利用权利要求1-4任一项所述的基于肌肉核心激活区域的电极校正方法进行电极校正，从核心激活区域每个通道中提取肌电特征并进行拼接，获得特征图像；将特征图像输入至预先训练好的肌电模式识别网络中，获得肌电模式识别结果；其中，所述肌电模式识别网络包含依次设置的卷积神经网络与长短期记忆神经网络。

6.根据权利要求5所述的一种肌电模式识别方法，其特征在于，

卷积神经网络包括：多个交替设置的卷积层与池化层、平展层和全连接层；卷积层包含不同数量的卷积核用于局部特征提取，池化层用于提取有效特征和降低特征的维数；最后一个池化层的输出通过平展层展开为一维矢量，再经过全连接层降维后输入至长短期记忆神经网络；所述平展层和全连接层的数目为M，平展层和全连接层一对一连接，M为每一手势动作对应的肌电特征图像数目；

长短期记忆神经网络中设有M个记忆单元，每一记忆单元按照编号顺序独立连接相应编号的全连接层；最后一个记忆单元的输出经softmax函数计算后得到肌电模式识别结果。

7.根据权利要求5或6所述的一种肌电模式识别方法，其特征在于，通过对肌电模式识别网络进行训练，获得最优网络参数；训练过程如下：

获取训练集及相应的标签；

通过训练时训练集误差和训练集收敛时间，确定网络层数和各隐层节点数量；

将训练样本和相应的标签送至肌电模式识别网络中，设置网络每次迭代的训练样本数以及总迭代的次数，调整各类超参数，通过随机梯度下降法使得训练误差收敛到设定的范围，准确率上升并稳定满足设定标准。