[发明专利]基于生成对抗网络的肌电信号降噪和分类方法

权利要求书

1.一种基于生成对抗网络的肌电信号降噪和分类方法，其特征在于，该方法为：

对肌电信号进行预处理后构建基于WGAN(Wasserstein Generative AdversarialNetwork)的肌电信号降噪生成对抗网络模型；

将肌电信号输入到肌电信号降噪生成对抗网络模型中进行训练，最小化生成分布与真实数据分布的JS距离，实现含有噪声信号和肌电信号的映射，输出降噪后的肌电信号；

将所述降噪后的肌电信号的格式转换成为二维的数字矩阵，通过采用多尺度卷积核卷积神经网络模型对二维的数字矩阵提取肌电信号特征；

从通道和空间两个方向根据注意力机制选择重要信息，最后平铺池化数据利用Softmax分类器对肌电信号进行分类。

2.根据权利要求1所述基于生成对抗网络的肌电信号降噪和分类方法，其特征在于：通过反傅里叶变换等操作对肌电信号进行预处理，将肌电信号输入到肌电信号降噪生成对抗网络模型中进行训练，最小化生成分布与真实数据分布的JS距离，实现含有噪声信号和肌电信号的映射，输出降噪后的肌电信号；

所述肌电信号增强生成对抗网络模型由生成网络和判别网络组成，所述构建基于WGAN的肌电信号增强生成对抗网络模型，具体为：输入含有噪肌电信号来训练生成网络，含有噪肌电信号经过生成网络编码和解码，产生降噪后的肌电信号，然后将所述降噪后的肌电信号和含有噪肌电信号一起输入到判别网络，并和肌电信号进行比较，应用WGAN定义的损失函数更新网络参数，生成网络与判别网络竞争对抗的对抗网络模型。

3.根据权利要求2所述一种基于生成对抗网络的肌电信号降噪和分类方法，其特征在于：所述生成网络和判别网络满足以下关系，即损失函数为：

其中，G＝g_θD＝f_w；z为含有噪声肌电信号与肌电信号之间的映射，服从分布p(z)；x为肌电信号特性，服从分布P_r；生成网络的目标是最大化D(G(z))，令判别网络正确判别生成的肌电信号；而判别网络的目的是最大化式L，用于网络对抗训练，达到肌电信号降噪的目的。

4.根据权利要求1所述的基于生成对抗网络的肌电信号降噪和分类方法，其特征在于，所述多尺度卷积核卷积神经网络模型的构建为：所述多尺度卷积核卷积神经网络模型一共包含6层，第一层为输入层，输入数据为8×128大小的图像；第二层为卷积层，包含三种尺度的卷积核；第三层为池化层；第四层为注意力层，利用注意力机制选择重要信息；第五层为全连接层，将池化后的数据平铺，为最后的分类做准备，第六层为输出层，由Softmax分类器输出，可以实现多分类，输入采用N×T的形式，其中N＝8表示通道数，T＝128表示采样点数，因此输入矩阵为8×128。

5.根据权利要求4所述的基于生成对抗网络的肌电信号降噪和分类方法，其特征在于：所述多尺度卷积核卷积神经网络模型满足如下关系：

其中，为l-1层的第i个特征图的输入信号，为第l层的第j个特征图的输出值；M_j为特征图的第一组，符号*代表卷积；为第l-1层的第i个特征图与l层的第j个特征图之间的可学习的卷积核；b为输出特征图的偏置；f(·)表示输出的激活函数，通常情况下选择逻辑回归函数或修正线性单元。

6.根据权利要求5所述的基于生成对抗网络的肌电信号降噪和分类方法，其特征在于：所述分类网络的损失函数如下：

其中，x_i为输入；j为单个样本的预测结果；y_i为真实类别的结果；W为权重参数；f为激活函数；Δ为犯错容忍度；l为正则化惩罚项；λ为惩罚系数；k、l分别为权重参数的行和列；Softmax分类器表达式如式(11)所示，反向传播时，使用Adam梯度下降算法。

其中，k表示类别数；z_j表示第j个类别的线性预测概率；zk为k个类别的线性预测概率之和；f_j(z)为每一类的归一化预测结果。