[发明专利]一种基于EMG和IMU数据的深度学习处理分析方法

权利要求书

1.一种基于EMG和IMU数据的深度学习处理分析方法，其特征在于，包括以下步骤：

步骤1：穿戴数据采集装置执行相应的手势动作从而得到每种手势动作对应的EMG和IMU数据信号；

步骤2：对所采集到的EMG数据信号进行去偏置处理，即将整段EMG信号减去每一段处于静息状态时的EMG信号任意200个采样点的均值；

步骤3：将去偏置处理后的EMG信号进行小波降噪处理；

步骤4：对ACC信号进行滤波操作，即将某段数据的最大值和最小值用其均值代替；

步骤5：对处理后的信号进行数据分割操作；

步骤5具体操作方法如下：

(5.1)将三通道的EMG信号求和得到SUM_EMG：

式中，a(i)为各通道的EMG信号的最大值；

(5.2)对SUM_EMG信号的绝对值进行移动平均处理得到S(k)：

(5.3)确立比较阈值th：

th＝μ+1.6σ

式中，_μ为静息状态下SUM_EMG的均值；σ为静息状态下SUM_EMG的标准差；

(5.4)将S(k)与th进行比较，记录S(k)开始大于th到即将小于th序列所对应的序列号，并提取这一段序列，成功分割了EMG信号；

(5.5)按照所得到的EMG序列号分割ACC数据即可成功分割ACC信号；

步骤6：将处理后的EMG信号和ACC信号数据进行融合，即通过将EMG信号和ACC信号融入一个大数组中，该数组的每一行代表一个手势动作，每一行元素的前60％为EMG信号后30％为IMU信号；

步骤7：将数据融合后得到的数据每一行对应的手势动作按顺序依次存入矩阵中，得到的矩阵形状为n行1列，其中n为数据融合数组的行数；

步骤8：对数据融合数组里的元素进行归一化处理，使其绝对值均为0～1范围内的数：

式中s₁为经过归一化处理后的元素值，s为未经处理的原始元素值，s_mean为s的均值，s_var为s的方差；

步骤9：选用CNN作为数据的识别模型，并对原始CNN做出修改；

步骤9中对原始CNN做出修改，具体如下：

(1)修改卷积核的大小，将其高度设置为1,宽度适具体输入数据的大小而定；

(2)适数据的大小适当增加网络的层数，适用堆叠小卷积核代替大卷积核以减少模型训练所需要的参数；

(3)引入残差块，即将某一层的输入和其后两层的输出相加在一起作为最新一层的输入。

2.根据权利要求1所述的一种基于EMG和IMU数据的深度学习处理分析方法，其特征在于，步骤3具体操作方法如下：

(3.1)对数据进行离散小波分解；即选择一个合适的小波基，通过离散小波变换将EMG信号分解为4层；经过离散小波变换处理后的数据得到低频小波系数和高频小波系数；离散小波变换公式如下：

(3.2)选定阈值λ；通过固定阈值公式可以确定阈值：

式中，median(|s(i)|)为小波系数绝对值的中值；

(3.3)修改小波分解系数；若小波分解系数的绝对值小于阈值λ时，令其为0；大于λ时则保持不变；

(3.4)将没有被修改的低频小波系数和修改后的高频小波xishu1进行离散小波逆变换，得到去噪后信号。