CN111616706A - 一种基于卷积神经网络的表面肌电信号分类方法及系统 - Google Patents
一种基于卷积神经网络的表面肌电信号分类方法及系统 Download PDFInfo
- Publication number
- CN111616706A CN111616706A CN202010429203.8A CN202010429203A CN111616706A CN 111616706 A CN111616706 A CN 111616706A CN 202010429203 A CN202010429203 A CN 202010429203A CN 111616706 A CN111616706 A CN 111616706A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- network model
- characteristic information
- feature information
- 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.)
- Granted
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Image Analysis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于卷积神经网络的表面肌电信号分类方法及系统。该方法包括:对各通道的肌电信号进行预处理;对各通道预处理后的肌电信号进行特征信息提取;每个通道提取出多种特征信息;将不同通道内提取到的相同种类的特征信息进行组合,生成多组二维数据;每组二维数据只包含一种特征信息;构建卷积神经网络模型;卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层;通过多组二维数据训练卷积神经网络模型;通过训练好的卷积神经网络模型对表面肌电信号进行分类,识别出手势动作。本发明通过对多通道的肌电信号进行特征信息提取,扩充数据维度,借助卷积神经网络的高精度分类优势,提升了表面肌电信号的分类识别准确度。
Description
技术领域
本发明涉及肌电信号分类领域,特别是涉及一种基于卷积神经网络的表面肌电信号分类方法及系统。
背景技术
表面肌电信号是在人体运动过程中在皮肤表面获取的生物电信号,其在人机接口、康复医疗、游戏娱乐中均具有广泛的应用前景。其中基于肌电信号的动作分类识别是这些应用中一项重要的环节,也是肌电信号能够广泛应用的前提条件。
目前基于肌电信号的动作分类方法主要包括信号获取、信号预处理、特征信息提取和分类等步骤。其中,特征信息提取通常采用基于经验的手动特征提取方法进行;分类步骤作为最为关键的一步,常用的方法包括隐马尔科夫模型、线性判别分析、支持向量机、随机森林等。
近期,卷积神经网络算法也被用于肌电信号分类中,分类精度得到了大幅提升,尤其是基于高密度的肌电信号。但是,基于稀疏肌电信号的动作分类由于空间分辨率低,不能很好的将数据转化为卷积神经网络的数据格式,仍然面临着分类识别精度低的问题。
发明内容
本发明的目的是提供一种基于卷积神经网络的表面肌电信号分类方法及系统,用以提高表面肌电信号的分类识别精度。
为实现上述目的,本发明提供了如下方案:
一种基于卷积神经网络的表面肌电信号分类方法,所述方法包括:
对各通道的肌电信号进行预处理;
对各通道预处理后的肌电信号进行特征信息提取;每个通道提取出多种特征信息;
将不同通道内提取到的相同种类的特征信息进行组合,生成多组二维数据;每组二维数据只包含一种特征信息;
构建卷积神经网络模型;所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层;
通过多组所述二维数据训练所述卷积神经网络模型;
通过训练好的卷积神经网络模型对表面肌电信号进行分类,识别出手势动作。
进一步的,所述对各通道的肌电信号进行预处理包括噪声滤除和动作分割处理。
进一步的,所述多种特征信息包括时域、频域以及时频域三种类型的特征信息;时域特征信息包括:原始信号、均值、标准差以及波长变化;频域特征信息为傅里叶变换数据;时频域特征信息为基于小波变换得到的小波系数。
进一步的,在所述对各通道预处理后的肌电信号进行特征信息提取,之后还包括:采用最邻近插值技术将长度较短的特征信息进行补长,使各特征信息长度相同。
进一步的,所述通过多组所述二维数据训练所述卷积神经网络模型,具体包括:
将多组所述二维数据输入至所述卷积神经网络模型,得到输出结果;
判断所述输出结果与目标参考值的误差是否在阈值范围内;
若是,则确定所述卷积神经网络模型为训练好的卷积神经网络模型;
若否,则采用交叉熵损失函数和Adam优化器调整所述卷积神经网络模型,使所述输出结果与所述目标参考值的误差在所述阈值范围内。
本发明还提供了一种基于卷积神经网络的表面肌电信号分类系统,所述系统包括:
预处理模块,用于对各通道的肌电信号进行预处理;
提取模块,用于对各通道预处理后的肌电信号进行特征信息提取;每个通道提取出多种特征信息;
组合模块,用于将不同通道内提取到的相同种类的特征信息进行组合,生成多组二维数据;每组二维数据只包含一种特征信息;
模型构建模块,用于构建卷积神经网络模型;所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层;
训练模块,用于通过多组所述二维数据训练所述卷积神经网络模型;
分类模块,用于通过训练好的卷积神经网络模型对表面肌电信号进行分类,识别出手势动作。
进一步的,所述预处理模块包括:
滤除单元,用于对各通道的肌电信号进行噪声滤除;
分割单元,用于对各通道的肌电信号进行动作分割。
进一步的,所述多种特征信息包括时域、频域以及时频域三种类型的多种特征信息;时域特征信息包括:原始信号、均值、标准差以及波长变化;频域特征信息为傅里叶变换数据;时频域特征信息为基于小波变换得到的小波系数。
进一步的,该系统还包括:
补长模块,用于采用最邻近插值技术将长度较短的特征信息进行补长,使各特征信息长度相同。
进一步的,训练模块具体包括:
输入单元,用于将多组所述二维数据输入至所述卷积神经网络模型,得到输出结果;
判断单元,用于判断所述输出结果与目标参考值的误差是否在阈值范围内;
确定单元,用于当所述输出结果与目标参考值的误差在阈值范围内时,确定所述卷积神经网络模型为训练好的卷积神经网络模型;
调整单元,用于当所述输出结果与目标参考值的误差不在阈值范围内时,采用交叉熵损失函数和Adam优化器调整所述卷积神经网络模型,使所述输出结果与所述目标参考值的误差在所述阈值范围内。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提出的表面肌电信号分类方法,通过对多通道的肌电信号进行特征信息提取,扩充数据维度,并对同类的特征信息进行组合,生成适合于卷积神经网络的数据格式,有效解决了基于稀疏多通道肌电信号的分类识别中的二维图像表示问题,使其满足于卷积神经网络模型的数据格式要求,借助卷积神经网络的高精度分类优势,提升了表面肌电信号的分类识别准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于卷积神经网络的表面肌电信号分类方法的流程图;
图2为本发明实施例的基于卷积神经网络的表面肌电信号分类方法的原理示意图;
图3为本发明实施例基于卷积神经网络的表面肌电信号分类系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于卷积神经网络的表面肌电信号分类方法及系统,用以提高表面肌电信号的分类识别精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1、图2所示,一种基于卷积神经网络的表面肌电信号分类方法包括以下步骤:
步骤101:对各通道的肌电信号进行预处理。主要包括噪声滤除和动作分割处理。
噪声滤除包括滤除高频噪声、低频噪声以及50Hz工频干扰等操作。
动作分割用于从连续的时间序列中分割出单个有效的活动片段,将时间序列转换为数据片段-动作标签。动作分割采用滑动平均技术进行,通过滑动特定长度的窗口(本实施例中采用约400ms窗口长度),计算窗口内所有通道数据的平均绝对幅值,然后通过阈值比较的方法实现某一动作起点与终点的识别,该起点到终点之间的数据为某种动作的活动数据片段。
步骤102:对各通道预处理后的肌电信号进行特征信息提取;每个通道提取出多种特征信息。所述多种特征信息包括时域、频域以及时频域三种类型的多种特征信息;时域特征信息包括:原始信号、均值、标准差以及波长变化;频域特征信息为傅里叶变换数据;时频域特征信息为基于小波变换得到的小波系数。
均值信息通过如下公式计算得到:
标准差信息通过如下公式计算得到:
波长变化信息通过如下公式计算得到:
频域特征信息采用离散傅里叶变换获得,计算公式为:
其中,n为0到N-1之间的整数。
时频域特征信息采用离散小波变换获得,采用sym4作为小波基函数,进行3层小波变换,分解后可得到4个小波变换系数Sdwt1,Sdwt2,Sdwt3,Sdwt4:
由于步骤102提取的特征信息长度各不相同,本实施例采用最邻近插值技术将长度较短的特征信息进行补长,使得各特征信息长度相同,以满足卷积神经网络的输入数据格式。
步骤103:将不同通道内提取到的相同种类的特征信息进行组合,生成多组二维数据;每组二维数据只包含一种特征信息,每组二维数据可以看做一张二维图像。
步骤104:构建卷积神经网络模型;所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层。本实施例采用4层卷积层,每层卷积层后接一层Relu非线性激活层和一层池化层,后面接全连接层,全连接层后为softmax分类层,softmax的输出维度为肌电信号的动作分类数量。
步骤105:通过多组所述二维数据训练所述卷积神经网络模型。具体包括:
将多组所述二维数据输入至所述卷积神经网络模型,得到输出结果;
判断所述输出结果与目标参考值的误差是否在阈值范围内;
若是,则确定所述卷积神经网络模型为训练好的卷积神经网络模型;
若否,则采用交叉熵损失函数和Adam优化器调整所述卷积神经网络模型,使所述输出结果与所述目标参考值的误差在所述阈值范围内。
步骤106:通过训练好的卷积神经网络模型对表面肌电信号进行分类,识别出手势动作。
步骤105和步骤106融合多个不同层次的卷积层提取的特征信息作为分类层的输入,以提高多尺度信息分辨能力。
由于高层次特征的感受也比较大,语义信息表征能力强,但是特征图分辨率低,而低层次特征的感受也小,特征图分辨率高,但是语义信息表征能力弱,为此,本实施例融合最后3个层次的卷积层输出,既保证语义信息表征能力又能保证分辨率,以此作为分类层的输入,提高分类精度。
本实施例提供的基于卷积神经网络的表面肌电信号分类方法,通过对多通道的肌电信号进行特征信息提取,扩充数据维度,并对同类的特征信息进行组合,生成适合于卷积神经网络的数据格式,有效解决了基于稀疏多通道肌电信号的分类识别中的二维图像表示问题,使其满足于卷积神经网络模型的数据格式要求,借助卷积神经网络的高精度分类优势,提升了表面肌电信号的分类识别准确度。
如图3所示,本发明还提供了一种基于卷积神经网络的表面肌电信号分类系统,所述系统包括:
预处理模块301,用于对各通道的肌电信号进行预处理。
所述预处理模块301包括:
滤除单元,用于对各通道的肌电信号进行噪声滤除;
分割单元,用于对各通道的肌电信号进行动作分割。
提取模块302,用于对各通道预处理后的肌电信号进行特征信息提取;每个通道提取出多种特征信息。所述多种特征信息包括时域、频域以及时频域三种类型的多种特征信息;时域特征信息包括:原始信号、均值、标准差以及波长变化;频域特征信息为傅里叶变换数据;时频域特征信息为基于小波变换得到的小波系数。
组合模块303,用于将不同通道内提取到的相同种类的特征信息进行组合,生成多组二维数据;每组二维数据只包含一种特征信息。
模型构建模块304,用于构建卷积神经网络模型;所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层。
训练模块305,用于通过多组所述二维数据训练所述卷积神经网络模型。
训练模块具体包括:
输入单元,用于将多组所述二维数据输入至所述卷积神经网络模型,得到输出结果;
判断单元,用于判断所述输出结果与目标参考值的误差是否在阈值范围内;
确定单元,用于当所述输出结果与目标参考值的误差在阈值范围内时,确定所述卷积神经网络模型为训练好的卷积神经网络模型;
调整单元,用于当所述输出结果与目标参考值的误差不在阈值范围内时,采用交叉熵损失函数和Adam优化器调整所述卷积神经网络模型,使所述输出结果与所述目标参考值的误差在所述阈值范围内。
分类模块306,用于通过训练好的卷积神经网络模型对表面肌电信号进行分类,识别出手势动作。
该系统还包括:
补长模块,用于采用最邻近插值技术将长度较短的特征信息进行补长,使各特征信息长度相同。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于卷积神经网络的表面肌电信号分类方法,其特征在于,所述方法包括:
对各通道的肌电信号进行预处理;
对各通道预处理后的肌电信号进行特征信息提取;每个通道提取出多种特征信息;
将不同通道内提取到的相同种类的特征信息进行组合,生成多组二维数据;每组二维数据只包含一种特征信息;
构建卷积神经网络模型;所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层;
通过多组所述二维数据训练所述卷积神经网络模型;
通过训练好的卷积神经网络模型对表面肌电信号进行分类,识别出手势动作。
2.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法,其特征在于,所述对各通道的肌电信号进行预处理包括噪声滤除和动作分割处理。
3.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法,其特征在于,所述多种特征信息包括时域、频域以及时频域三种类型的多种特征信息;时域特征信息包括:原始信号、均值、标准差以及波长变化;频域特征信息为傅里叶变换数据;时频域特征信息为基于小波变换得到的小波系数。
4.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法,其特征在于,在所述对各通道预处理后的肌电信号进行特征信息提取,之后还包括:采用最邻近插值技术将长度较短的特征信息进行补长,使各特征信息长度相同。
5.根据权利要求1所述的基于卷积神经网络的表面肌电信号分类方法,其特征在于,所述通过多组所述二维数据训练所述卷积神经网络模型,具体包括:
将多组所述二维数据输入至所述卷积神经网络模型,得到输出结果;
判断所述输出结果与目标参考值的误差是否在阈值范围内;
若是,则确定所述卷积神经网络模型为训练好的卷积神经网络模型;
若否,则采用交叉熵损失函数和Adam优化器调整所述卷积神经网络模型,使所述输出结果与所述目标参考值的误差在所述阈值范围内。
6.一种基于卷积神经网络的表面肌电信号分类系统,其特征在于,所述系统包括:
预处理模块,用于对各通道的肌电信号进行预处理;
提取模块,用于对各通道预处理后的肌电信号进行特征信息提取;每个通道提取出多种特征信息;
组合模块,用于将不同通道内提取到的相同种类的特征信息进行组合,生成多组二维数据;每组二维数据只包含一种特征信息;
模型构建模块,用于构建卷积神经网络模型;所述卷积神经网络模型包括卷积层、池化层、ReLu层、全连接层以及softmax层;
训练模块,用于通过多组所述二维数据训练所述卷积神经网络模型;
分类模块,用于通过训练好的卷积神经网络模型对表面肌电信号进行分类,识别出手势动作。
7.根据权利要求6所述的基于卷积神经网络的表面肌电信号分类系统,其特征在于,所述预处理模块包括:
滤除单元,用于对各通道的肌电信号进行噪声滤除;
分割单元,用于对各通道的肌电信号进行动作分割。
8.根据权利要求6所述的基于卷积神经网络的表面肌电信号分类系统,其特征在于,所述多种特征信息包括时域、频域以及时频域三种类型的多种特征信息;时域特征信息包括:原始信号、均值、标准差以及波长变化;频域特征信息为傅里叶变换数据;时频域特征信息为基于小波变换得到的小波系数。
9.根据权利要求6所述的基于卷积神经网络的表面肌电信号分类系统,其特征在于,还包括:
补长模块,用于采用最邻近插值技术将长度较短的特征信息进行补长,使各特征信息长度相同。
10.根据权利要求6所述的基于卷积神经网络的表面肌电信号分类系统,其特征在于,训练模块具体包括:
输入单元,用于将多组所述二维数据输入至所述卷积神经网络模型,得到输出结果;
判断单元,用于判断所述输出结果与目标参考值的误差是否在阈值范围内;
确定单元,用于当所述输出结果与目标参考值的误差在阈值范围内时,确定所述卷积神经网络模型为训练好的卷积神经网络模型;
调整单元,用于当所述输出结果与目标参考值的误差不在阈值范围内时,采用交叉熵损失函数和Adam优化器调整所述卷积神经网络模型,使所述输出结果与所述目标参考值的误差在所述阈值范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010429203.8A CN111616706B (zh) | 2020-05-20 | 2020-05-20 | 一种基于卷积神经网络的表面肌电信号分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010429203.8A CN111616706B (zh) | 2020-05-20 | 2020-05-20 | 一种基于卷积神经网络的表面肌电信号分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111616706A true CN111616706A (zh) | 2020-09-04 |
CN111616706B CN111616706B (zh) | 2022-07-22 |
Family
ID=72267352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010429203.8A Active CN111616706B (zh) | 2020-05-20 | 2020-05-20 | 一种基于卷积神经网络的表面肌电信号分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111616706B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733721A (zh) * | 2021-01-12 | 2021-04-30 | 浙江工业大学 | 一种基于胶囊网络的表面肌电信号分类方法 |
CN113397572A (zh) * | 2021-07-23 | 2021-09-17 | 中国科学技术大学 | 基于Transformer模型的表面肌电信号分类方法及系统 |
CN113505822A (zh) * | 2021-06-30 | 2021-10-15 | 中国矿业大学 | 基于表面肌电信号的多尺度信息融合上肢动作分类方法 |
WO2022166307A1 (zh) * | 2021-02-07 | 2022-08-11 | 山东省人工智能研究院 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103054585A (zh) * | 2013-01-21 | 2013-04-24 | 杭州电子科技大学 | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
CN105654037A (zh) * | 2015-12-21 | 2016-06-08 | 浙江大学 | 一种基于深度学习和特征图像的肌电信号手势识别方法 |
US20160158033A1 (en) * | 2013-07-12 | 2016-06-09 | University Of Oregon | Powered prosthetic devices using EMG-based locomotion state classifier |
CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
CN110333783A (zh) * | 2019-07-10 | 2019-10-15 | 中国科学技术大学 | 一种用于鲁棒肌电控制的无关手势处理方法及系统 |
-
2020
- 2020-05-20 CN CN202010429203.8A patent/CN111616706B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103054585A (zh) * | 2013-01-21 | 2013-04-24 | 杭州电子科技大学 | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 |
US20160158033A1 (en) * | 2013-07-12 | 2016-06-09 | University Of Oregon | Powered prosthetic devices using EMG-based locomotion state classifier |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
CN105654037A (zh) * | 2015-12-21 | 2016-06-08 | 浙江大学 | 一种基于深度学习和特征图像的肌电信号手势识别方法 |
CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
CN110333783A (zh) * | 2019-07-10 | 2019-10-15 | 中国科学技术大学 | 一种用于鲁棒肌电控制的无关手势处理方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733721A (zh) * | 2021-01-12 | 2021-04-30 | 浙江工业大学 | 一种基于胶囊网络的表面肌电信号分类方法 |
CN112733721B (zh) * | 2021-01-12 | 2022-03-15 | 浙江工业大学 | 一种基于胶囊网络的表面肌电信号分类方法 |
WO2022166307A1 (zh) * | 2021-02-07 | 2022-08-11 | 山东省人工智能研究院 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
CN113505822A (zh) * | 2021-06-30 | 2021-10-15 | 中国矿业大学 | 基于表面肌电信号的多尺度信息融合上肢动作分类方法 |
CN113505822B (zh) * | 2021-06-30 | 2022-02-15 | 中国矿业大学 | 基于表面肌电信号的多尺度信息融合上肢动作分类方法 |
CN113397572A (zh) * | 2021-07-23 | 2021-09-17 | 中国科学技术大学 | 基于Transformer模型的表面肌电信号分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111616706B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111616706B (zh) | 一种基于卷积神经网络的表面肌电信号分类方法及系统 | |
CN110610168B (zh) | 一种基于注意力机制的脑电情绪识别方法 | |
CN111429947B (zh) | 一种基于多级残差卷积神经网络的语音情感识别方法 | |
CN105047194B (zh) | 一种用于语音情感识别的自学习语谱图特征提取方法 | |
CN101221554A (zh) | 基于小波变换和bp神经网络的脑电特征提取方法 | |
CN110751044A (zh) | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 | |
Han et al. | Speech emotion recognition with a ResNet-CNN-Transformer parallel neural network | |
CN113947127A (zh) | 一种用于陪伴机器人的多模态情感识别方法和系统 | |
CN111582320A (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN112151071B (zh) | 一种基于混合小波包特征深度学习的语音情感识别方法 | |
CN113011302B (zh) | 一种基于卷积神经网络的雷声信号识别系统及方法 | |
CN111461201A (zh) | 基于相空间重构的传感器数据分类方法 | |
CN112528804A (zh) | 基于生成对抗网络的肌电信号降噪和分类方法 | |
Avci | An expert system for speaker identification using adaptive wavelet sure entropy | |
CN115238731A (zh) | 基于卷积递归神经网络与多头自注意力的情感识别方法 | |
CN115238796A (zh) | 基于并行damscn-lstm的运动想象脑电信号分类方法 | |
CN115054270A (zh) | 基于gcn提取睡眠频谱图特征的睡眠分期方法及系统 | |
CN114626424B (zh) | 一种基于数据增强的无声语音识别方法及装置 | |
CN110619294A (zh) | 一种基于rfid系统定制的个性化口型识别方法 | |
Cheng et al. | Fractal dimension pattern-based multiresolution analysis for rough estimator of speaker-dependent audio emotion recognition | |
CN113940638B (zh) | 基于频域双特征融合的脉搏波信号识别分类方法 | |
CN111785262B (zh) | 一种基于残差网络及融合特征的说话人年龄性别分类方法 | |
Dutta et al. | An extensive analysis on deep neural architecture for classification of subject-independent cognitive states | |
CN114662524B (zh) | 基于脑电信号的即插即用式域适应方法 | |
CN114861715A (zh) | 一种基于深度学习的肌电信号手势识别方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 306, building 4, future pioneer Plaza, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Zhongke advanced technology Co.,Ltd. Address before: Room 306, building 4, future venture Plaza, hi tech Zone, Jinan City, Shandong Province Applicant before: Shandong Zhongke Advanced Technology Research Institute Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |