[发明专利]一种基于EMG和IMU数据的深度学习处理分析方法

说明书

本发明提供一种基于EMG和IMU数据的深度学习处理分析方法，包括：得到每种手势动作对应的EMG和IMU数据信号；去偏置处理、进行小波降噪处理；对ACC信号进行滤波操作，对处理后的信号进行数据分割操作；将处理后的EMG信号和ACC信号数据进行融合，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；对数据融合数组里的元素进行归一化处理；选用CNN作为数据的识别模型，并对原始CNN做出修改。其上操作全部完成后即可将数据投入到模型中进行训练，经实验验证通过该方法处理分析的数据有效实现了在提高模型识别速度的前提下保证较高的识别率。

技术领域

本发明属于数据处理技术领域，具体涉及一种基于EMG和IMU数据的深度学习处理分析方法。

背景技术

为了实现远程控制等功能，设计一种建立在深度学习基础之上，能够通过手势识别实现人机交互的机器系统，具有新型、高效、灵活、易于使用等特点。可以应用到医疗体系中辅助病人运动，在探索一些人们不方便作业的地区同样有利。

手势识别的核心在于手势识别模型的选择与设计，针对于手势识别，目前已经有很多现成的模型算法去进行识别。如对于通过肌电信号识别手势则可以选用LSTM、RNN、SVM等网络模型算法，通过图片识别手势则可以选用CNN等图像处理模型进行分类。

对于传统的文本分类模型来说，RNN、LSTM等模型的处理时间较长，不利于模型处理实时数据。而机器学习模型SVM在处理大量数据的情况下其识别率要低于深度神经网络，故选用SVM会造成识别率偏低的问题。而CNN网络模型一般适用于图像数据，其对于识别文本数据的识别率要低于LSTM模型。

发明内容

针对上述技术问题，本发明提供一种基于EMG和IMU数据的深度学习处理分析方法，以实现在提高模型识别速度的前提下保证较高的识别率。

选择了图像处理模型CNN来处理文本数据，但若直接选用CNN数据会导致识别率的问题。所以在传统CNN模型上加以改进，引入新的算法加以改进，实现了在保证识别速度不变的情况下提高了模型的识别率。

具体的技术方案为：

一种基于EMG和IMU数据的深度学习处理分析方法，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，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；

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；

该步骤具体操作方法如下：