[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

说明书

本发明公开了一种基于肌肉核心激活区域的电极校正及肌电模式识别方法，采用高密度阵列电极对目标肌肉的肌电信号进行采集，利用矩阵分解算法提取肌肉核心激活区域，并将不同批次数据的核心激活区域进行对齐，解决肌电模式识别中的电极偏移问题，能够提升肌电模式识别效果；在此基础上，还提供一种通过深度学习的肌电模式识别框架进行肌电模式识别的方案，进一步提升了识别效果。整个方法对训练样本的多样性要求低，不需要采集多批次数据覆盖足够的电极偏移情况，不需要带有偏移信息的新样本进行模型参数的微调，本发明为解决基于肌电的模式识别中的电极偏移问题提供了新思路。

技术领域

本发明涉及生物信号处理领域，尤其涉及一种基于肌肉核心激活区域的电极校正及肌电模式识别方法。

背景技术

肌电信号(EMG)是伴随肌肉收缩的重要生物信号，包含丰富的神经信息和运动控制信息。在实际应用中，肌电信号通常通过分立式或高密度的无创电极从皮肤表面采集，被称为表面肌电信号(sEMG)。肌电控制是一种通过测量表面肌电信号而将身体运动或意图转换为机器指令的技术，在假体、康复训练等医学领域和人机交互、消费电子等商业领域均具有广泛的应用前景。

肌电控制的主要步骤包括肌电信号采集、肌电模式识别和硬件设备实现。其中，肌电模式识别的准确性很大程度上决定了肌电控制系统的性能。几十年来，支持向量机(SVM)、线性判别分析(LDA)、K近邻(KNN)等经典的机器学习方法已成功地应用于肌电模式识别。近年来，深度学习网络也被引入到肌电模式识别中，虽然基于深度学习的肌电模式识别研究才刚刚起步，但是其在提高肌电模式识别的准确性和鲁棒性方面已表现出巨大的潜力。

大多数肌电模式识别方法在理想的实验室条件下都能取得令人满意的效果，但由于其对电极位移、力量水平或方向的变化和肌肉疲劳等特性敏感，所以应用于实际的肌电控制系统中仍然具有困难。特别是由于电极更换或人体运动引起的电极位移，会导致训练数据和测试数据之间的分布差异较大，从而降低分类器的性能。因为在实际应用中电极的更换是不可避免的，所以研究对电极位移不敏感的鲁棒算法具有重要的现实意义。

一些研究试图通过优化电极尺寸、朝向、电极间距等结构来减弱电极位移的影响，这种方法在肌电控制系统中不方便且难以实现。为了适应电极位移带来的数据分布变化，通常采用的一种策略是采集电极不同贴附位置的数据作为训练集，提高分类器的泛化能力。但是当训练数据和测试数据的分布存在显著差异时，该策略的性能较差。另一种常用的策略是利用少量带有偏移信息的新数据来辅助更新或微调已训练好的分类器的参数。但是这样每次模型参数微调需要采集新的数据，这对肌电控制系统的实际应用非常不利。鉴于此，有必要研究电极偏移问题的解决方案来确保肌电模式识别效果。

发明内容

本发明的目的是提供一种基于肌肉核心激活区域的电极校正及肌电模式识别方法，采用高密度阵列电极对目标肌肉的肌电信号进行采集，利用矩阵分解算法提取肌肉核心激活区域，并将不同批次数据的核心激活区域进行对齐，解决肌电模式识别中的电极偏移问题，能够提升肌电模式识别效果；在此基础上，还提供一种通过深度学习的肌电模式识别框架进行肌电模式识别的方案，进一步提升了识别效果。

本发明的目的是通过以下技术方案实现的：

一种基于肌肉核心激活区域的电极校正方法，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。