[发明专利]基于生成对抗网络的肌电信号降噪和分类方法

说明书

本发明公开了一种基于生成对抗网络的肌电信号降噪和分类方法，对肌电信号进行预处理后构建基于WGAN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。

技术领域

本发明属于表面肌电信号的降噪和分类技术领域，具体涉及一种基于生成对抗网络的肌电信号降噪和分类方法。

背景技术

表面肌电信号是用表面电极在人体皮肤采集的电信号，这种电信号是肌肉运动在肌肉纤维附近产生的电位差。当人体产生运动意图时，该意图产生于大脑，编码于神经信号中传达到脊髓，二次编码后经神经通路传递到对应的肢体(如上肢)，神经信号造成肌肉纤维收缩产生电位差，肌肉牵引骨骼完成该运动。在这个过程中，运动意图最终编码于肌肉纤维收缩产生的电信号里。通过对该信号解码，即可以获得最初的运动意图，肌电信号更接近于动作实施的阶段，包含的信息更精确，信噪比更高，采集更方便。

sEMG信号因为无创性，易于采集等优点被越来越多的应用于假肢控制和人机交互等领域，尤其是在假肢控制领域，肌电智能假肢成为研究热点。另一方面，在人机交互领域，表面肌电信号结合陀螺仪、加速度计等其他传感器信息，可以实现比较好的交互体验。然而因为肌电信号比较微弱，容易受到生活中电力工频频率、心电以及其他的噪声影响，采集到的肌电信号往往包含很多噪声信号，不能准确的反应肌肉运动，对于人机交互带来很大的不便。因此对肌电信号预处理和分类探索与研究，具有非常重要的现实意义。

发明内容

鉴于此，本发明的主要目的在于提供一种基于生成对抗网络的肌电信号降噪和分类方法。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供一种基于生成对抗网络的肌电信号降噪和分类，该方法为：

对肌电信号进行预处理获得降噪后的肌电信号，并且构建基于WGAN(WassersteinGenerative Adversarial Network)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。

上述方案中，所述肌电信号降噪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的肌电信号降噪生成对抗网络模型，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。

上述方案中，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。