买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明公开了一种集成领域自适应和领域泛化的跨用户肌电模式识别方法，首先采集源域用户表面肌电信号并构成领域泛化样本对数据集；然后构建基于类别分离和领域对齐的深度学习网络模型ClassSeparationandDomainAlignmentNetwork，CSDAN；接下来构建基于所述领域泛化样本对数据集和领域适应样本对数据集训练所述CSDAN模型；最后构建双模态新用户动作模式分类器，并对新用户动作模式进行模式识别。本发明不仅在最少只需一个校准数据的领域适应场景下对跨用户肌电模式识别具有鲁棒性，还同时可以在完全无校准的领域泛化场景下具有领先的跨用户肌电模式识别精度，推动人机接口设备在人机交互、临床康复等领域广泛应用。

主权项：1.一种集成领域自适应和领域泛化的跨用户肌电模式识别方法，其特征在于，包括如下步骤：步骤1：利用同一个高密度表面肌电电极分别采集n个用户执行预先指定的m个动作时的表面肌电信号，对所采集信号进行数据分割、激活段信号提取、特征提取的预处理后得到带有m个动作标签的肌电特征数据，从而构成源域用户数据集；从源域用户数据集中每个动作的数据中随机选择p个数据得到由n×m×p个肌电数据作为代表性数据；从源域用户数据集全部数据和代表性数据中各自任选一个肌电数据配成数据对，数据对中的两个数据动作模式相同，则对数据对标记成“同”，反之则将数据对标记成“异”，从而构成领域泛化样本对数据集；步骤2：构建基于类别分离和领域对齐的深度学习网络模型即CSDAN模型；步骤2-1：所述CSDAN模型为双分支结构，包括：共享双分支特征提取模块B、分类模块C、类别分离和领域对齐模块D；所述共享双分支特征提取模块B是由两个相同参数的特征提取网络构成；每个特征提取网络包含a个网络单元，每个网络单元由一个卷积层、一个激活层、一个批标准化层构成；前a–1个网络单元在批标准化层后加一个最大池化层；第a个网络单元最后增加展平层；步骤2-2：两个特征提取网络分别连接分类模块C、类别分离和领域对齐模块D；所述分类模块C包括：全连接层、softmax激活层和分类交叉熵损失函数；利用式1构建交叉熵损失函数： 所述类别分离和领域对齐模块D包括：类别分离和领域对齐损失函数；利用式2构建类别分离和领域对齐损失函数： 式1和式2中，N表示源域用户数据集中肌电样本数量，c1是动作类别数量，yic是第i个样本的实际标签的独热编码向量，pic是softmax激活层输出得到的动作类别预测概率，即第i个样本属于第c类的预测概率，；表示第i个源域用户肌电样本，表示第i个目标域用户肌电样本，表示第i个样本对的欧氏距离，表示“异”或“同”的第i个样本对的标签；m表示边界值；λ表示损失函数对模型贡献权重；步骤3：基于领域泛化样本对数据集和领域适应样本对数据集训练CSDAN模型；步骤3-1：若采用领域泛化模型，则训练领域泛化肌电模式识别分类器：将领域泛化样本对数据集分批次输入至CSDAN模型两个输入端，利用类别分离和领域对齐模块D对CSDAN模型进行梯度下降训练并更新模型参数，训练至损失函数收敛，得到领域泛化跨用户肌电模式识别模型；步骤3-2：若采用领域适应模型，则构建领域适应样本对数据集并训练领域适应肌电模式识别模型；利用肌电电极采集新用户m个动作的校准肌电信号，按照步骤1将新用户的肌电信号预处理后从每个动作随机选择q个带有动作类别标签的数据，得到由m×q个肌电数据构成的新用户校准数据集；将源域用户数据集和新用户校准数据集按照步骤1构成领域适应样本对数据集；将领域适应样本对数据集分批次输入至CSDAN两个输入端，按照步骤3-1训练得到领域适应跨用户肌电模式识别模型；步骤4：构建双模态新用户动作模式分类器，对新用户动作模式进行模式识别；新用户即第n+1个用户接入肌电电极，随机做出m个动作中的一个；步骤4-1：采用领域泛化模态时，按照步骤1对待预测信号进行预处理得到肌电特征数据，将肌电特征数据分别输入至CSDAN网络的两个输入端，分类模块C的softmax层得出最大对应类别的概率分布，进而做出决策；步骤4-2：采用领域适应模态时，按照步骤3-2的过程进行数据和模型的更新，再按照步骤4-1得到动作模式的预测结果。

全文数据：

权利要求：

百度查询： 西北工业大学 集成领域自适应和领域泛化的跨用户肌电模式识别方法