[发明专利]融合肌电信号多重分形和LSTM的肌肉疲劳识别方法

权利要求书

1.一种融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：包括如下步骤：

S1.采集表面肌电信号信息；

S2.对表面肌电信号信息进行特征提取，得到肌电信号的多重分形特征；

S3.构建肌肉疲劳识别模型；

S4.以多重分形特征作为特征数据，形成特征数据集，并将特征数据集输入到肌肉疲劳识别模型，进行识别模型的训练，得到训练好的肌肉疲劳识别模型；

S5.将待测肌电信号信息的多重分形特征形成的特征数据集输入到训练好的肌肉疲劳识别模型，输出肌肉疲劳识别结果。

2.根据权利要求1所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：所述表面肌电信号信息包括股内侧肌表面肌电信号、股外侧肌表面肌电信号以及股直肌表面肌电信号。

3.根据权利要求1所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：所述多重分形特征包括多重分形谱的宽度Δα、Hurst曲线变化差值ΔH以及峰值奇异指数HMAX。

4.根据权利要求3所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：根据如下公式确定多重分形谱的宽度Δα：

Δα＝α_max-α_min；

其中，α_max为多重分形谱宽度最大值；α_min为多重分形谱宽度最小值。

5.根据权利要求3所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：根据如下公式确定Hurst曲线变化差值ΔH：

ΔH＝H_max-H_min；

其中，H_max为Hurst曲线指数最大值；H_min为Hurst曲线指数最小值。

6.根据权利要求3所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：根据如下公式确定峰值奇异指数HMAX：

HMAX＝α(q＝-5)；

其中，α(q)为奇异性强度函数；q表示阶数。

7.根据权利要求1所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：利用LSTM模型构建肌肉动态收缩中的肌肉疲劳识别模型。

8.根据权利要求1所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：步骤S4中，所述特征数据集包括特征数据以及附加数据；

所述附加数据包括表面肌电信号的时域特征以及表面肌电信号的频域特征。

9.根据权利要求8所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：所述表面肌电信号的时域特征包括表面肌电信号的均方根值；所述表面肌电信号的频域特征包括表面肌电信号的中值频率。

10.根据权利要求1所述的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，其特征在于：步骤S2中，还包括：在对表面肌电信号信息进行特征提取前，对表面肌电信号信息进行预处理；

所述预处理，具体包括：

利用陷波器滤除工频干扰；

利用带通滤波器对表面肌电信号进行带通滤波处理；

利用经验模态分解去除信号中基线漂移；

采用包络阈值法检测代表人体动作执行意图的活动片段。