[发明专利]一种肌电控制方法及装置

说明书

本发明公开了一种肌电控制方法及装置，采集肌电信号；对肌电信号进行预处理，得到与肌电信号相匹配的特征图像；将特征图像输入至预创建的分类器模型，得到分类器模型输出的与肌电信号对应的手势类别；基于手势类别控制目标设备完成与手势类别匹配的操作。本发明中分类器模型是基于目标训练样本训练得到的神经网络模型，目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集，由于该目标训练样本充分考虑了电极偏移、力度变化等情况，使得可以精准识别运动指令对应的手势类别，提升肌电控制的稳定性。

技术领域

本发明涉及生物信号处理技术领域，特别是涉及一种肌电控制方法及装置。

背景技术

肌电信号是人体运动时，伴随肌肉收缩产生的电信号。该肌电信号能够直接反应出肌纤维的激活情况，且包含了丰富的运动控制信息。表面肌电信号是运动单位动作电位在检测电极处的时空叠加。由于表面肌电信号的无创性特点，被广泛应用在假肢控制、外骨骼控制、手势预测等人机交互接口。

近年来，随着模式识别技术的发展，基于该技术的肌电控制也得到了发展。但是现有的肌电模式识别过程中采用的样本信息较为理想，但是实际中，当受试者的粒度发生变化、肢体的关节角度变化、甚至电极重新佩戴，都会导致目标运动指令识别不精确，从而造成肌电控制的不稳定。

发明内容

针对于上述问题，本发明提供一种肌电控制方法及装置，实现了精准识别目标运动指令，提升肌电控制的稳定性。

为了实现上述目的，本发明提供了如下技术方案：

一种肌电控制方法，所述方法包括：

采集肌电信号；

对所述肌电信号进行预处理，得到与所述肌电信号相匹配的特征图像；

将所述特征图像输入至预创建的分类器模型，得到所述分类器模型输出的与所述肌电信号对应的手势类别，其中，所述分类器模型是基于目标训练样本训练得到的神经网络模型，所述目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集；

基于所述手势类别控制目标设备完成与所述手势类别匹配的操作。

可选地，所述方法还包括：

通过采集到的肌电信号创建分类器模型，包括：

采集目标运动指令的肌电信号，并依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，记为初始样本；

对所述初始样本进行图像处理，得到目标特征图像；

将所述初始样本与所述目标特征图像进行组合，得到目标样本；

利用所述目标样本对初始分类器进行训练，得到分类器模型，所述初始分类器为预先构建基于空洞卷积神经网络的模型。

可选地，所述依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，包括：

对所述肌电信号进行信号窗分割，得到信号窗；

对所述信号窗进行活动段分割，得到活动段的信号窗；

对所述活动端的信号窗进行特征提取，将提取后的特征转换为矩阵，将得到的转换矩阵确定为特征图像。

可选地，所述对所述初始样本进行图像处理，得到目标特征图像，包括：

对所述特征图像进行滤波处理，得到滤波后的特征图像；

将所述滤波后的特征图像进行插值处理，得到处理后的特征图像；

对处理后的特征图像进行数据增强处理，得到目标特征图像。

可选地，所述方法还包括：