CN110032987B - 一种基于小脑神经网络模型的表面肌电信号分类方法 - Google Patents
一种基于小脑神经网络模型的表面肌电信号分类方法 Download PDFInfo
- Publication number
- CN110032987B CN110032987B CN201910326077.0A CN201910326077A CN110032987B CN 110032987 B CN110032987 B CN 110032987B CN 201910326077 A CN201910326077 A CN 201910326077A CN 110032987 B CN110032987 B CN 110032987B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- characteristic parameters
- layer
- wavelet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于小脑神经网络模型的表面肌电信号分类方法,包括以下步骤:步骤S1:采用包括胫骨前肌、腓肠肌在内的相关肌肉的表面肌电信号数据,提取上述表面肌电信号的特征参数,将提取的特征参数及其分类结果作为训练数据,训练小脑神经网络模型;步骤S2:对测量数据进行分析处理,然后提取作为测试数据的表面肌电信号的特征参数;步骤S3:采用训练好的小脑神经网络模型对步骤S2提取的表面肌电的特征参数进行分类识别。本发明能够精确地得到分类结果。
Description
技术领域
本发明涉及表面肌电信号分类技术领域,特别是一种基于小脑神经网络模型的表面肌电信号分类方法。
背景技术
表面肌电检测是采用胫骨前肌、腓肠肌等相关肌肉的表面肌电信号,分析人体肌肉在不同状态时的表面肌电信号特征,进而确定人体测量部位的状态。目前广泛应用于康复机器人研究、人体外骨骼研究、运动生物力学研究、步态分析以及平衡分析等临床诊断及康复研究。
发明内容
有鉴于此,本发明的目的是提出一种基于小脑神经网络模型的表面肌电信号分类方法,能够精确地得到分类结果。
本发明采用以下方案实现:一种基于小脑神经网络模型的表面肌电信号分类方法,包括以下步骤:
步骤S1:采用包括胫骨前肌、腓肠肌在内的相关肌肉的表面肌电信号数据,提取上述表面肌电信号的特征参数,将提取的特征参数及其分类结果作为训练数据,训练小脑神经网络模型;
步骤S2:对测量数据进行分析处理,然后提取作为测试数据的表面肌电信号的特征参数;
步骤S3:采用训练好的小脑神经网络模型对步骤S2提取的表面肌电的特征参数进行分类识别;
步骤S4:通过小脑神经网络模型分类得到表面肌电信号分类评估结果。
进一步地,所述表面肌电信号的特征参数包括肌电信号幅值的平均值、肌电信号的均方根值、时频域高频能量系数以及低频能量系数的平均值。
进一步地,表面肌电信号的特征参数的提取具体包括以下步骤:
步骤S1:选取daubechies8小波作为对预处理后的表面肌电信号数据小波分解的小波函数,且分解层数为5层;
步骤S2:计算表面肌电信号幅值的平均值I1:
式中,n为表面肌电信号数量,f(t)为对应时间的幅值;
步骤S3:计算小波分解第一层高频系数均值I2:
式中,m为小波分解高频系数数量,cD1为小波分解第一层高频系数;
步骤S4:计算小波分解第五层低频系数均值I3:
式中,N为小波分解低频系数数量,cA5为小波分解第五层低频系数;
步骤S5:计算表面肌电信号均方根值I4:
式中,n1为表面肌电信号均方根数据组的数量,xn为对应的表面肌电信号数值。
进一步地,所述小脑神经网络模型包括输入层、联想记忆层、感受野、权值记忆层以及输出层,其中激活函数用sigmoid函数;为了增加sigmoid函数的收敛性,误差函数采用交叉熵函数。
本发明通过胫骨前肌、腓肠肌等相关肌肉的表面肌电数据,根据数据分析出信号在时域以及时频域的特征参数,采用小脑模型神经网络进行多分类预测进行分类评估。
与现有技术相比,本发明有以下有益效果:本发明采用小脑神经网络模型对相关肌肉的表面肌电信号进行分类,结果准确。同时,本发明采用交叉熵函数加快了模型的收敛速度。
附图说明
图1为本发明实施例的原理示意图。
图2为本发明实施例的5级小波分解树示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于小脑神经网络模型的表面肌电信号分类方法,包括以下步骤:
步骤S1:采用包括胫骨前肌、腓肠肌在内的相关肌肉的表面肌电信号数据,提取上述表面肌电信号的特征参数,将提取的特征参数及其分类结果作为训练数据,训练小脑神经网络模型;
步骤S2:对测量数据进行分析处理,对信号进行降噪处理等,然后提取作为测试数据的表面肌电信号的特征参数;
步骤S3:采用训练好的小脑神经网络模型对步骤S2提取的表面肌电的特征参数进行分类识别;
步骤S4:通过小脑神经网络模型分类得到表面肌电信号分类评估结果。
在本实施例中,所述表面肌电信号的特征参数包括肌电信号幅值的平均值、肌电信号的均方根值、时频域高频能量系数以及低频能量系数的平均值。
在本实施例中,表面肌电信号的特征参数的提取具体包括以下步骤:
步骤S1:选取daubechies8小波作为对预处理后的表面肌电信号数据小波分解的小波函数,且分解层数为5层;如图2所示;
步骤S2:计算表面肌电信号幅值的平均值I1:
式中,n为表面肌电信号数量,f(t)为对应时间的幅值;
步骤S3:计算小波分解第一层高频系数均值I2:
式中,m为小波分解高频系数数量,cD1为小波分解第一层高频系数;
步骤S4:计算小波分解第五层低频系数均值I3:
式中,N为小波分解低频系数数量,cA5为小波分解第五层低频系数;
步骤S5:计算表面肌电信号均方根值I4:
式中,n1为表面肌电信号均方根数据组的数量,xn为对应的表面肌电信号数值。
在本实施例中,所述小脑神经网络模型包括输入层、联想记忆层、感受野、权值记忆层以及输出层,其中激活函数用sigmoid函数f(z)=1/(1+e(-z));
输入层以及输出层之间的表达式为:
其中,Ii为输入特征向量,m为特征向量维数,此处m取值为4;wik和wk分别为输入层与联想记忆层之间以及感受野与输出层之间的权值;n取值为9表征对输入特征向量的分辨率。
为了增加sigmoid函数的收敛性,误差函数采用交叉熵函数,表示为:
本实施例采用训练数据训练表面肌电信号数据分类预测模型,采用交叉熵函数加快了模型的收敛速度,更新wik和wk等参数,作为小脑神经网络模型的参数。然后将测试数据通过训练好的小脑神经网络分类模型进行预测,得到小脑模型神经网络表面肌电信号数据分类预测输出。
本实施例采用胫骨前肌、腓肠肌等相关肌肉的表面肌电信号数据及分类结果作为训练数据。对表面肌电信号数据进行分析处理,提取时域以及时频域三维特征参数。采用小脑神经网络模型对三维特征参数进行分类预测,通过小脑模型分类得到表面肌电信号数据分类结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (2)
1.一种基于小脑神经网络模型的表面肌电信号分类方法,其特征在于:包括以下步骤:
步骤S1:采用包括胫骨前肌、腓肠肌在内的相关肌肉的表面肌电信号数据,提取上述表面肌电信号的特征参数,将提取的特征参数及其分类结果作为训练数据,训练小脑神经网络模型;
步骤S2:对测量数据进行分析处理,然后提取作为测试数据的表面肌电信号的特征参数;
步骤S3:采用训练好的小脑神经网络模型对步骤S2提取的表面肌电的特征参数进行分类识别;
步骤S4:通过小脑神经网络模型分类得到表面肌电信号分类评估结果;
所述表面肌电信号的特征参数包括肌电信号幅值的平均值、肌电信号的均方根值、时频域高频能量系数以及低频能量系数的平均值;
表面肌电信号的特征参数的提取具体包括以下步骤:
步骤S4 1:选取daubechies8小波作为对预处理后的表面肌电信号数据小波分解的小波函数,且分解层数为5层;
步骤S4 2:计算肌电信号幅值的平均值I1:
式中,n为表面肌电信号数量,f(t)为对应时间的幅值;
步骤S4 3:计算小波分解第一层时频域高频能量系数的平均值I2:
式中,m为小波分解时频域高频能量系数数量,cD1为小波分解第一层时频域高频能量系数;
步骤S4 4:计算小波分解第五层时频域低频能量系数的平均值I3:
式中,N为小波分解时频域低频能量系数数量,cA5为小波分解第五层时频域低频能量系数;
步骤S4 5:计算肌电信号的均方根值I4:
式中,n1为表面肌电信号均方根数据组的数量,xn为对应的表面肌电信号数值。
2.根据权利要求1所述的一种基于小脑神经网络模型的表面肌电信号分类方法,其特征在于:所述小脑神经网络模型包括输入层、联想记忆层、感受野、权值记忆层以及输出层,其中激活函数用sigmoid函数;误差函数采用交叉熵函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910326077.0A CN110032987B (zh) | 2019-04-23 | 2019-04-23 | 一种基于小脑神经网络模型的表面肌电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910326077.0A CN110032987B (zh) | 2019-04-23 | 2019-04-23 | 一种基于小脑神经网络模型的表面肌电信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032987A CN110032987A (zh) | 2019-07-19 |
CN110032987B true CN110032987B (zh) | 2022-07-08 |
Family
ID=67239667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910326077.0A Active CN110032987B (zh) | 2019-04-23 | 2019-04-23 | 一种基于小脑神经网络模型的表面肌电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032987B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110710984B (zh) * | 2019-10-18 | 2021-11-02 | 福州大学 | 基于表面肌电信号的递归小脑模型的足踝力矩预测方法 |
CN112120697A (zh) * | 2020-09-25 | 2020-12-25 | 福州大学 | 一种基于表面肌电信号的肌肉疲劳提前预测与分类方法 |
CN113274039B (zh) * | 2021-05-19 | 2022-06-07 | 福州市第二医院(福建省福州中西医结合医院、福州市职业病医院) | 一种基于表面肌电信号和运动信号的预测分类方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073881A (zh) * | 2011-01-17 | 2011-05-25 | 武汉理工大学 | 人体表面肌电信号消噪、特征提取和模式识别方法 |
CN102622605A (zh) * | 2012-02-17 | 2012-08-01 | 国电科学技术研究院 | 一种表面肌电信号的特征提取及动作模式识别方法 |
CN109498370A (zh) * | 2018-12-26 | 2019-03-22 | 杭州电子科技大学 | 基于肌电小波关联维的下肢关节角度预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7733224B2 (en) * | 2006-06-30 | 2010-06-08 | Bao Tran | Mesh network personal emergency response appliance |
-
2019
- 2019-04-23 CN CN201910326077.0A patent/CN110032987B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073881A (zh) * | 2011-01-17 | 2011-05-25 | 武汉理工大学 | 人体表面肌电信号消噪、特征提取和模式识别方法 |
CN102622605A (zh) * | 2012-02-17 | 2012-08-01 | 国电科学技术研究院 | 一种表面肌电信号的特征提取及动作模式识别方法 |
CN109498370A (zh) * | 2018-12-26 | 2019-03-22 | 杭州电子科技大学 | 基于肌电小波关联维的下肢关节角度预测方法 |
Non-Patent Citations (2)
Title |
---|
The role of pallidum in the neural integrator model of cervical dystonia;Sedov,Alexey et al.;《NEUROBIOLOGY OF DISEASE》;20190328;第125卷;第45-54页 * |
基于神经网络的肌电信号的数据融合技术研究;吕广明 等;《黑龙江大学自然科学学报》;20051225(第06期);第721-723页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110032987A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032987B (zh) | 一种基于小脑神经网络模型的表面肌电信号分类方法 | |
Shen et al. | Movements classification of multi-channel sEMG based on CNN and stacking ensemble learning | |
CN105574820A (zh) | 一种基于深度学习的自适应超声图像增强方法 | |
CN107832686A (zh) | 融合表面肌电和加速度信号的下肢运动模式识别方法 | |
CN104107042A (zh) | 基于粒子群优化-支持向量机的肌电信号步态识别方法 | |
CN107945817A (zh) | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 | |
CN109620244A (zh) | 基于条件生成对抗网络和svm的婴儿异常行为检测方法 | |
Dasgupta et al. | Acceleration gait measures as proxies for motor skill of walking: A narrative review | |
CN109979161A (zh) | 一种基于卷积循环神经网络的人体跌倒检测方法 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
CN108681685A (zh) | 一种基于人体表面肌电信号的躯干动作意图识别方法 | |
CN113598759B (zh) | 一种基于肌电特征优化的下肢动作识别方法及系统 | |
CN108021888A (zh) | 一种跌倒检测方法 | |
KR20130073361A (ko) | 근전도 신호의 패턴 분류 장치 및 방법 | |
CN114732424B (zh) | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 | |
CN110710984B (zh) | 基于表面肌电信号的递归小脑模型的足踝力矩预测方法 | |
CN112957056A (zh) | 利用协同网络的肌肉疲劳等级特征的提取方法及系统 | |
Ibrahim et al. | Time-frequency based features for classification of walking patterns | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
Singh et al. | Detection of Parkinson's Disease using Machine Learning Algorithm | |
CN106580324A (zh) | 一种呼吸信号提取方法及装置 | |
Ison et al. | Beyond user-specificity for emg decoding using multiresolution muscle synergy analysis | |
CN114159079A (zh) | 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 | |
Vijayvargiya et al. | PC-GNN: Pearson Correlation-Based Graph Neural Network for Recognition of Human Lower Limb Activity Using sEMG Signal | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |