一种基于卷积神经网络的肌电信号特征提取方法[发明专利]

(12)发明专利申请

(10)申请公布号 CN 109662710 A(43)申请公布日 2019.04.23

(21)申请号 2018114106.7(22)申请日 2018.12.06

(71)申请人 杭州电子科技大学

地址 310018 浙江省杭州市下沙高教园区2

号大街(72)发明人 方银锋　张旭光　

(74)专利代理机构 杭州浙科专利事务所(普通

合伙) 33213

代理人 吴秉中(51)Int.Cl.

A61B 5/0488(2006.01)

权利要求书1页 说明书3页 附图6页

()发明名称

一种基于卷积神经网络的肌电信号特征提取方法

(57)摘要

本发明公开了一种基于卷积神经网络的肌电信号特征提取方法。该方法以未经任何处理的原始肌电信号为输入样本，采用预训练与精训练相结合的训练策略，获得一个基于卷积神经网络的特征提取模型。该方法以网络模型中全连接层的输出为全新的肌电特征，该特征可以单独使用，也可以和传统肌电特征结合使用，用于肌电模式分类。利用本发明的方法获得的肌电特征，可作为传统肌电特征的必要补充，以提高肌电模式分类的准确性和鲁棒性。

CN 109662710 ACN 109662710 A

权　利　要　求　书

1/1页

1.一种基于卷积神经网络的肌电信号特征提取方法，其特征在于：用于训练卷积神经网络的预训练与精训练；以卷积神经网络中全连接层输出值作为肌电信号特征值，所述卷积神经网络是包含两个卷积层、一个全连接层的多层神经网络。

2.根据权利要求1所述的基于卷积神经网络的肌电信号特征提取方法，其特征在于：所述用于训练卷积神经网络的预训练与精训练策略包括如下步骤：

步骤一、利用所有受试者的肌电数据，对卷积神经网络进行预训练；步骤二、利用目标受试者的肌电数据，对上述预训练所生产的神经网络，进行进一步的训练获得精神经网络模型。

3.根据权利要求2所述的基于卷积神经网络的肌电信号特征提取方法，其特征在于：所述的全连接层输出值作为肌电信号的特征值包括如下步骤：

步骤一、将获得的精神经网络模型作为特征提取的网络，并保存网络结构与参数；步骤二、为上述网络结构的全连接层增加输出接口；步骤三、 以实时肌电数据为输入，获得全连接层的输出值，作为肌电信号的特征。

2

CN 109662710 A

说　明　书

一种基于卷积神经网络的肌电信号特征提取方法

1/3页

技术领域

[0001]本发明涉及生理信号处理与分析技术，尤其涉及一种提取肌电信号特征的新方法。

背景技术

[0002]肌电信号是肌肉收缩时产生的微弱电信号。肌肉收缩时产生的电信号经过体内组织的传导，在皮肤表面形成电势变化。当这种电势变化经过放大电路的处理，被采集、存储下来，被称为表面肌电信号。表面肌电信号主要有两方面的用途：1）临床诊断与病理分析；2）人机交互，如假肢手或假肢腿控制。由于肌电信号本质上与用户的执行意图紧密相关，通过合理的方式解码肌电信号可以产生直观的控制命令。相对脑电信号与神经信号，肌电信号比较稳定且信号幅度较大，被公认为最有潜力的假肢末端控制信号源。[0003]尽管如此，肌电信号仍然会受到各种不利因素干扰，如肌肉疲劳、电极移位、跨用户差异性等，使得基于肌电信号的人机接口面临稳定性方面的考验。肌电信号本质上是一种随机信号。特征提取是分析肌电信号的一个必要手段。传统肌电信号的特征可分为时域特征、频域特征和时频域特征。然而，综合利用这些特征也并没有解决肌电模式分类精度低、稳定性差的实际问题。以肌电假肢手控制为例，市场上的成功案例仅限于利用双通道肌电实现假肢手的掌控与闭合。就目前现状来看，基于肌电信号的人机交互仍处于初级阶段，有待进一步发展。寻找一种具有抗噪能力的肌电特征，成了突破该瓶颈的重要契机。[0004]卷积神经网络是一种多层神经网络，擅长从原始数据中获得符合目标要求的可靠信息。本发明提出一种利用卷积神经网络从原始肌电信号中提取稳定特征的方法。该方法依靠多用户、长时间积累的大量肌电信号为输入，训练一个高鲁棒性的卷积神经网络，并将网络中全连接层的输出作为类似传统特征的全新肌电特征。相关数据分析表明，利用这种方法提取的特征可以提高的隔天手势识别的精度。[0005]因此，本领域的技术人员致力于开发一种具有较强抗干扰能力的肌电信号特征，以提升基于肌电信号作为人机接口的稳定性。

发明内容

[0006]鉴于现有技术的上述缺陷，本发明所要解决的技术问题是传统肌电信号特征不能满足人机接口控制的稳定性要求的问题。[0007]为实现上述目的，本发明提供了一种基于卷积神经网络的肌电信号特征提取方法，

包括用于训练卷积神经网络的预训练与精训练；以卷积神经网络中全连接层输出值作为肌电信号特征值，所述卷积神经网络是包含两个卷积层、一个全连接层的多层神经网络。[0008]进一步的，所述用于训练卷积神经网络的预训练与精训练策略包括如下步骤：

步骤一、利用所有受试者的肌电数据，对卷积神经网络进行预训练；步骤二、利用目标受试者的肌电数据，对上述预训练所生产的神经网络，进行进一步的

3

CN 109662710 A

说　明　书

2/3页

训练获得精神经网络模型。[0009]进一步的，所述的全连接层输出值作为肌电信号的特征值包括如下步骤：

步骤一、将获得的精神经网络模型作为特征提取的网络，并保存网络结构与参数；步骤二、为上述网络结构的全连接层增加输出接口。[0010]步骤三、 以实时肌电数据为输入，获得全连接层的输出值，作为肌电信号的特征。附图说明

[0011]图1为本发明的一种基于卷积神经网络的肌电信号特征提取方法的卷积网络结构；

其中1-原始肌电信号，2-卷积层，3-卷积层，4-全连接层，5-全连接层，6-输出层，7-全连接层的输出值；

图2为本发明的一种基于卷积神经网络的肌电信号特征提取方法的执行流程；图3为具体实施方案经过预训练和精训练获得的测试结果；

图4A-图4C对比了传统特征空间与基于卷积神经网络的特征空间在区分肌电样本时的差异行性；

图5 展示了本发明提取的特征与传统特征对手势分类精度的影响。具体实施方式

[0012]下面结合附图和具体实施方式，对本发明的一种基于卷积神经网络的肌电信号特征提取方法作进一步的说明。

[0013]该实施例采用一个肌电数据库作为分析对象。该数据库包含了6个受试者的上手臂肌电数据，每个受试者采集10天的肌电数据。肌电数据在13个不同的手势动作下采集。该实施例以前7天的肌电信号作为训练数据，以后3天的肌电信号作为测试数据。[0014]该实施例使用TensorFlow平台搭建网络结构，并通过基于CUDA 8.0.44的GeForce GTX 1080TI 显卡加速算法执行。

[0015]该实施例所确定的网络结构包含1个输入层、2个卷积层、2个全连接层。该实施例的输入数据为经过分割的维数为16*256原始肌电信号。2个卷积层分别包含32个和个3*3的滤波器。卷积层的输出经过2*2的MAX Pooling 方案进行数据降维。2个全连接层分别包含128个和13个隐藏节点。经过训练的网络的128个隐藏节点的输出即为从16*256的原始肌电信号中提取的肌电信号特征。13个隐藏节点的输出经过softmax函数可以获得13个手势动作的分类。在网络训练时，第二个卷积层和第一个全连接层分别经过Dropout处理，保持概率分别设置为0.8与0.5。

[0016]该实施例的预训练使用所有受试者的训练数据，并经过500次迭代获得预训练网络。该实施例的精训练使用目标受试者的训练数据，并经过500次的迭代获得精训练网络。预训练与精训练的识别精度变化如图3所示。[0017]利用上述通过预训练与精训练获得的特征网络提取测试数据的特征，并将128维特征降维后，可获得如图4所示的特征分布结果，其中图4A为样本在传统特征空间的分布、图4B为样本在基于卷积神经网络的特征空间的分布、图4C为样本在两种特征叠加后的空间中的分布。

4

CN 109662710 A[0018]

说　明　书

3/3页

图5对比了传统特征与叠加态特征在LDA与SVM分类器下的对别结果，即传统特征

叠加基于卷积神经网络的特征可以获得更好的分类效果。

5

CN 109662710 A

说　明　书　附　图

1/6页

图1

图2

6

CN 109662710 A

说　明　书　附　图

2/6页

图3

7

CN 109662710 A

说　明　书　附　图

3/6页

图4A

8

CN 109662710 A

说　明　书　附　图

4/6页

图4B

9

CN 109662710 A

说　明　书　附　图

5/6页

图4C

10

CN 109662710 A

说　明　书　附　图

6/6页

图5

11