[发明专利]基于表面肌电信号的多尺度信息融合上肢动作分类方法

权利要求书

1.一种基于表面肌电信号的多尺度信息融合上肢动作分类方法，其特征在于，所述方法包括以下步骤：

步骤1、通过多通道表面肌电信号采集模块对手臂肌肉表面肌电信号进行采样，通道数为N，得到原始表面肌电信号，对原始表面肌电信号进行窗口分割，肌电信号分割的窗口大小为W，窗口滑动距离为S，得到分割的表面肌电信号的数据形状为N*W，转入步骤2和步骤3；

步骤2、对分割的表面肌电信号进行时频域分析，提取对应的三维度小波包特征，得到三维度小波包特征值，包括以下步骤：

步骤2-1、选择一个通道对应的分割的表面肌电信号，选取小波基函数对上述分割的表面肌电信号进行2层小波包分解，得到4组窗口大小均为W/4的表面肌信号特征数据，所述表面肌信号特征数据为包括各频段时频域信息的表面肌信号特征数据，转入步骤2-2；

步骤2-2、将得到的表面肌信号特征数据进行数据重构，求取4组表面肌信号特征数据的平均值，重新定义为w*w的二维度时频域特征图片，其中

W/4＝w*w；

转入步骤2-3；

步骤2-3、对上述二维度时频域特征图片进行升维，返回步骤2-1，将剩余通道数据逐一处理后，将通道数N作为第三维特征，得到N*w*w的三维度小波包特征值；

转入步骤4；

步骤3、将分割的表面肌电信号转换为表面肌电信号图像并进行图像升维处理，提取对应三维度肌电图像特征数据，包括以下步骤：

步骤3-1、选择一个通道对应的分割的表面肌电信号，将上述分割的表面肌电信号生成二维度肌电信号图像，将单个通道大小为W的窗口内的二维度肌电信号图像重塑成m*m的对称图像，转入步骤3-2；

步骤3-2、对得到的对称图像进行升维，返回步骤3-1，将剩余通道数据作相同处理，使N通道的对称图像以RGB维度的形式进行叠加，输出三维度肌电图像特征数据，数据形状为N*m*m；

转入步骤4；

步骤4、通过卷积神经网络建立多尺度信息融合网络模型，将三维度小波包特征值和三维度肌电图像特征数据输入多尺度信息融合网络模型进行多尺度信息融合训练，建立原始表面肌电信号与手部动作模式间的映射关系，完成上肢运动模式分类，实现智能仿生手手部动作模式的控制。

2.根据权利要求1所述的基于表面肌电信号的多尺度信息融合上肢动作分类方法，其特征在于，步骤4中，通过卷积神经网络建立多尺度信息融合网络模型，将三维度小波包特征值和三维度肌电图像特征数据输入多尺度信息融合网络模型进行多尺度信息融合训练，建立原始表面肌电信号与手部动作模式间的映射关系，包含以下步骤：

步骤4-1、对三维度小波包特征值与三维度肌电图像特征数据进行特征融合处理，得到卷积与池化后的张量：

将N*w*w的三维度小波包特征值和N*m*m的三维度肌电信号图像特征数据，进行高维度的卷积及池化运算，并使用级联方式进行一次融合，输出肌电信号级联特征张量；

将输出的肌电信号级联特征张量与N*w*w三维度小波包特征值分别再进行卷积及池化运算，并进行二次级联，输出三维度小波包特征值与三维度肌电图像特征数据融合张量，并继续进行多次卷积及池化运算，得到卷积与池化后的张量；

转入步骤4-2；

步骤4-2、将卷积与池化后的张量进行多次平铺降采样后输入Softmax分类层，完成上肢运动模式分类，实现上肢运动模式的预测。