申请/专利权人：福州大学

申请日：2022-04-27

公开（公告）日：2024-07-05

公开（公告）号：CN114931389B

主分类号：A61B5/389

分类号：A61B5/389;A61B5/397

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.09.09#实质审查的生效;2022.08.23#公开

摘要：本发明涉及一种基于残差网络及图卷积网络的肌电信号识别方法，包括以下步骤：步骤S1:获取多通道肌电信号，对多通道肌电信号进行预处理，得到待训练的数据集；步骤S2:选择满足实时性的时间窗口和相应的滑动窗口对肌电信号进行采样，构建表面肌电信号图像;步骤S3:构建残差网络及图卷积网络的结构模型，并基于表面肌电信号图像训练；步骤S4:基于训练好的残差网络及图卷积网络的结构模型对表面肌电信号进行识别。本发明能够更好地学习肌电信号的特征，同时由于保留了残差网络结构，解决了深度卷积网络模型的退化问题。

主权项：1.基于残差网络及图卷积网络的肌电信号识别方法，其特征在于，包括以下步骤：步骤S1:获取多通道肌电信号，对多通道肌电信号进行预处理，得到待训练的数据集；步骤S2:选择满足预设需求的时间窗口和相应的滑动窗口对肌电信号进行采样，构建表面肌电信号图像；步骤S3:构建残差网络及图卷积网络的结构模型，并基于表面肌电信号图像训练；步骤S4:基于训练好的残差网络及图卷积网络的结构模型对表面肌电信号进行识别；残差网络结构由初始卷积层、多个残差块和全连接层组成，具体如下：将初始卷积核改为1×n，并删除最大池化层，每个残差块中的卷积核大小改为1×n，同时对其中各卷积核的步长进行调整；所述图卷积网络起始单元为一个联合投票网络；所述步骤S4具体为：由残差网络得到肌电信号特征X∈H×W×C，H，W，C分别为肌电信号特征的高度、宽带、通道数，通过对肌电信号的特征进行投票权重计算得到每块肌肉的特征矩阵，其投票权重矩阵表示为：W＝ΦψX1其中ψ·是由1×1卷积实现的变换函数，Φ是空间softmax归一化，W∈H×W×N，其中N为肌肉块数；WK∈H×W是第k块肌肉的投票权重矩阵；fK表示第k块肌肉的特征，表示为所有肌电信号特征的加权平均，计算公式如下： 其中Xi表示第i通道的肌电信号特征，是由1×1卷积层实现的变换函数，WKi是投票权重矩阵WK中对应的元素；将所有肌肉的整体特征定义为： 由于肌肉与肌肉之间的协同关系未知，所以将肌肉与肌肉之间的联接图G定义为全连接，即假设每块肌肉与其余肌肉之间都具有协同关系；将由投票网络的到的肌肉特征经图卷积网络自动提取新的肌肉协同特征Fe，其计算公式如下： 其中Ae＝A+I，因为图G为全连接的图，所以A为对角线的元素全为0，其余元素都为1的矩阵，I为单位矩阵，矩阵D为A的度矩阵，We为可训练的变换矩阵，σ·是一个非线性函数；在得到新的肌肉协同特征后，进行联合投票的逆操作得到与肌电信号特征X同维度的肌肉协同特征，其计算公式如下：Cik＝WikFek5 其中Fek为经图卷积网络得到的第k块肌肉的新特征，Wik与前面得到的投票权重矩阵WKi相等；ρ·是一个带有BN层非线性函数；最后将残差网络得到的肌电信号特征X和与肌电信号特征X同纬度的肌肉协同特征Fq相结合，得到新的增强特征Xe，公式如下：Xe＝τ[X,Fq]7其中τ·是一个带有BN层非线性函数；随后对增强特征进行全局平均池化，再送入神经网络进行肌电信号识别,最后输出肌电信号识别结果。

全文数据：

权利要求：

百度查询： 福州大学 基于残差网络及图卷积网络的肌电信号识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD