CN111714121A - 肌电数据分类模型构建方法、分类方法、装置及服务器 - Google Patents

肌电数据分类模型构建方法、分类方法、装置及服务器 Download PDF

Info

Publication number
CN111714121A
CN111714121A CN202010482115.4A CN202010482115A CN111714121A CN 111714121 A CN111714121 A CN 111714121A CN 202010482115 A CN202010482115 A CN 202010482115A CN 111714121 A CN111714121 A CN 111714121A
Authority
CN
China
Prior art keywords
electromyographic
sample data
preset
data
classification model
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.)
Pending
Application number
CN202010482115.4A
Other languages
English (en)
Inventor
李红红
姚秀军
韩久琦
桂晨光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Haiyi Tongzhan Information Technology Co Ltd
Original Assignee
Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Haiyi Tongzhan Information Technology Co Ltd filed Critical Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority to CN202010482115.4A priority Critical patent/CN111714121A/zh
Publication of CN111714121A publication Critical patent/CN111714121A/zh
Pending legal-status Critical Current

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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/68—Operating or control means
    • A61F2/70—Operating or control means electrical
    • A61F2/72—Bioelectric control, e.g. myoelectric

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Transplantation (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明实施例涉及一种肌电数据分类模型构建方法、分类方法、装置及服务器，该方法包括：从预设数量的通道中每一个通道分别获取多个肌电样本数据组；分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据；对经过预处理后的肌电样本数据进行特征提取，获取特征点；按照第一预设规则，获取第一投影矩阵；将经过第一投影矩阵降维后的特征点，输入至肌电数据分类模型中，对肌电数据分类模型进行训练，直至根据训练结果和标记信息，确定分类水平达到预设要求时，确定肌电数据分类模型为最优分类模型，完成肌电数据分类模型的构建。通过上述方式，实现最大限度地正确分类属于不同运动的肌电图数据。

Description

肌电数据分类模型构建方法、分类方法、装置及服务器
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种肌电数据分类模型构建方法、分类方法、装置及服务器。
背景技术
近年来，随着工业、交通事业的发展，人类因工业生产、工程施工、车祸等原因而导致截肢的患者呈逐年上升的趋势。对手部缺失的残疾人，带有仿生控制功能的多自由度肌电假手在一定程度上能够使他们更好的生活和融入社会，因而假肢需求变得更为迫切。为了实现假手的控制，表面肌电信号处理是最常用的控制信息提取方式。
现有技术中的研究基本集中在手臂的肌肉电控制和粗大的手部运动，传统的肌电控制假肢主要为模拟信号输入之后经过整形滤波并经过信号处理后对手掌开合自由度进行控制。此类假肢由于直接从手部采集肌肉电信号，控制假肢电机带动假肢机械结构运动。只有open-close一个自由度，相对于对更灵巧的个体和联合手指控制则并没有得到同样的重视。
这也是因为肌电信号的微弱性、混叠性和低信噪比，导致从少通道肌电信号识别多模式动作变得比较困难，从而导致不容易通过少通道肌电信号来精细区分到底是何种肌电数据，使得实时控制的多自由度肌电假手商用化并不理想。
发明内容
鉴于此，为解决现有技术中上述技术问题，本发明实施例提供一种肌电数据分类模型构建方法、分类方法、装置及服务器。
第一方面，本发明实施例提供一种肌电数据分类模型构建方法，该方法包括：
从预设数量的通道中每一个通道分别获取多个肌电样本数据组，其中，肌电样本数据组携带用于指示预设动作的标记信息，预设动作包括至少两种，预设数量的通道最多不超过两个，通道内同一时刻输出的肌电样本数据均为同一预设动作对应的肌电样本数据；
分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据；
对经过预处理后的肌电样本数据进行特征提取，获取特征点；
按照第一预设规则，获取第一投影矩阵，第一投影矩阵用于对特征点进行降维操作，以使经过降维后的特征点达到同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大；
将经过降维后的特征点，输入至肌电数据分类模型中，对肌电数据分类模型进行训练，直至根据训练结果和标记信息，确定分类水平达到预设要求时，确定肌电数据分类模型为最优分类模型，完成肌电数据分类模型的构建。
在一个可能的实施方式中，分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据，具体包括：
按照第二预设规则对第一预设动作对应的第一肌电样本数据组中的肌电样本数据进行处理，获取与第一肌电样本数据组中的肌电样本数据对应的多个包络信号，其中，第一预设动作为多个预设动作中的任一个预设动作，第一肌电样本数据组包含与第一预设动作对应的肌电样本数据；
根据多个包络信号，确定第一肌电样本数据组的有效活动段；
对有效活动段内的第二肌电样本数据组进行去噪处理，获取经过预处理后的肌电样本数据，第二肌电样本数据组为第一肌电样本数据组的子集。
在一个可能的实施方式中，按照第二预设规则对第一肌电样本数据组中的肌电样本数据进行处理，获取与第一肌电样本数据组中的肌电样本数据对应的多个包络信号之前，方法还包括：按照第三预设规则，对第一肌电样本数据组中的肌电样本数据进行校正处理。
在一个可能的实施方式中，按照第二预设规则对第一肌电样本数据组中的肌电样本数据进行处理，获取与第一肌电样本数据组中的肌电样本数据对应的多个包络信号，具体包括：
初始化包络信号核函数；
采用滑动窗口的形式，依次将第一肌电样本数据组中的第i个肌电样本数据融合至经过初始化后的包络信号处理核函数中，获取每一个滑动窗口曲线下的面积；
根据所有滑动窗口曲线下的面积，计算与第i个肌电样本数据对应的第i个包络信号，其中，i为正整数，i最大取值为第一肌电样本数据组中数据总量对应的数值。
在一个可能的实施方式中，根据多个包络信号，确定第一肌电样本数据组的有效活动段，具体包括：
当确定多个包络信号中第一包络信号的数值大于预设阈值时，确定与第一包络信号对应的第一肌电样本数据为有效活动段的起始位置；
当确定多个包络信号中排序在第二包络信号之前的包络信号的数值同样大于预设阈值，而第二包络信号的数值小于预设阈值时，确定与第二包络信号对应的第二肌电样本数据为有效活动段的终止位置，其中，多个包络信号按照生成时间进行排序，第二包络信号在第一包络信号之后。
在一个可能的实施方式中，按照第一预设规则，获取第一投影矩阵，具体包括：
特征点代入至统计不相关鉴别分析特征降维方法中，求取第一投影矩阵。
第二方面，本发明实施例提供一种肌电数据分类方法，该方法包括：
从预设数量的通道中获取与待测试动作对应的第一肌电测试数据组，其中，预设数量的通道最多不超过两个；
采用如第一方面任一实施方式所介绍的方法对第一肌电测试数据组中的肌电数据进行预处理，获取第二肌电测试数据组；
对第二肌电测试数据组中的肌电数据进行特征提取，获取特征点；
按照第一预设规则对特征点进行降维；
将经过降维后的特征点输入至如第一方面任一实施方式所介绍的方法构建的肌电数据分类模型中，通过肌电数据分类模型进行分类识别，用以确定待测试动作。
第三方面，本发明实施例提供一种肌电数据分类模型构建装置，该装置包括：
获取单元，用于从预设数量的通道中每一个通道分别获取多个肌电样本数据组，其中，肌电样本数据组携带用于指示预设动作的标记信息，预设动作包括至少两种，预设数量的通道最多不超过两个，通道内同一时刻输出的肌电样本数据均为同一预设动作对应的肌电样本数据；
处理单元，用于分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据；
特征点提取单元，用于对经过预处理后的肌电样本数据进行特征提取，获取特征点；
特征点降维单元，用于按照第一预设规则，重复执行对特征点进行降维操作，直至确定经过降维后的特征点达到同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大，停止降维操作；
模型构建单元，用于将经过降维后的特征点，输入至肌电数据分类模型中，对肌电数据分类模型进行训练，直至根据训练结果和标记信息，确定分类水平达到预设要求时，确定肌电数据分类模型为最优分类模型，完成肌电数据分类模型的构建。
第四方面，本发明实施例提供一种肌电数据分类装置，该装置包括：
获取单元，用于从预设数量的通道中获取与待测试动作对应的第一肌电测试数据组，其中，预设数量的通道最多不超过两个；
处理单元，用于采用如第一方面任一实施方式所介绍的方法对第一肌电测试数据组中的肌电数据进行预处理，获取第二肌电测试数据组；
特征点提取单元，用于对第二肌电测试数据组中的肌电数据进行特征提取，获取特征点；
特征点降维单元，用于按照第一预设规则对特征点进行降维；
分类单元，用于将经过降维后的特征点输入至如第一方面任一实施方式所介绍的方法构建的肌电数据分类模型中，通过肌电数据分类模型进行分类识别，用以确定待测试动作。
第五方面，本发明实施例提供一种服务器，该服务器包括：至少一个处理器和存储器；
处理器用于执行存储器中存储的肌电数据分类模型构建程序，以实现如第一方面任一实施方式所介绍的肌电数据分类模型构建方法；
或者，处理器用于执行存储器中存储的肌电数据分类程序，以实现如第二方面所介绍的肌电数据分类方法。
第六方面，本发明实施例提供一种计算机存储介质，该计算机存储介质存储有一个或者多个程序，一个或者多个程序可被如第五方面所介绍的服务器执行，以实现如第一方面任一实施方式所介绍的肌电数据分类模型构建方法；
或者，一个或者多个程序可被如第五方面所介绍的服务器执行，以实现如第二方面所介绍的肌电数据分类方法。
本发明实施例提供的一种肌电数据分类模型构建方法，从预设数量的通道中每一个通道分别获取多个肌电样本数据组，通道的数量一般不超过两个。预设动作可以包括至少两种。分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据。对经过预处理后的肌电样本数据进行特征提取，来获取特征点。对特征点进行降维，以降低输入至肌电数据分类模型中特征点的数量，降低数据运算处理复杂度，提高模型训练效率。而且，按照第一预设规则，对特征点降维，还用于实现同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大，如此一来，有利于加速对肌电数据分类模型的训练。同样是减轻对于肌电数据分类模型训练时的工作量，用以提升工作效率。进一步的，通过上述方式，实现采用较少的通道数采集肌电样本数据，然后将对应的特征点进行提取和降维等方式，最大限度地正确分类属于不同运动的肌电图数据，进而便于实现控制预设机器设备执行不同的预设动作，即完成对预设机器设备的多自由度的控制，并得到较高准确率。
附图说明
图1为本发明实施例提供的一种肌电数据分类模型构建方法流程示意图；
图2为本发明提供的对肌电样本数据的处理流程示意图；
图3为本发明实施例提供的一种肌电数据分类方法流程示意图；
图4为本发明实施例提供的一种肌电数据分类模型构建装置结构示意图；
图5为本发明实施例提供的一种肌电数据分类装置结构示意图；
图6为本发明实施例提供一种服务器结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种肌电数据分类模型构建方法流程示意图，如图1所示，该方法包括：
步骤110，从预设数量的通道获取肌电样本数据组。
具体的，采集样本数据时，需要试验者按照要求佩戴肌电采集模块(例如臂环或者肌电采集电极等)于预设位置，用以采集肌电信号。采集的肌电信号可以通过有线或无线的方式传输至服务器。不同的位置配置一个通道获取肌电样本数据组。例如，预设数量的通道包括两个，预设位置可以是试验者的前臂屈肌和伸肌。采集肌电样本数据组中可以携带用于指示预设动作的标记信息。预设动作包括至少两种。在一个具体的例子中，预设动作可以包括握拳、屈腕、伸掌、拇指弯曲、食指弯曲、中指弯曲、无名指弯曲、小指弯曲、拇指食指组合弯曲等手势。采集的肌电数据组也是与这些动作相关的，且执行多次重复动作所获取的肌电数据形成的肌电数据组。不过，不同通道内同一时刻输出的肌电样本数据均为同一个预设动作的肌电样本数据。
举例而言，实验者可以针对每一种手势连续做几次(例如6次)，每次间隔休息一段时间(例如5秒)。为了避免疲劳，可以每类手势间隔休息一段时间(例如30秒)。而在采集时，两通道均是同时处于工作状态，所以同一时刻采集的是同一个预设动作的肌电样本数据。当然，也可以采用其他方式实现肌电样本数据的采集。具体可以根据实际情况设定，这里不做任何限定，例如不间断采集肌电样本数据。或每种手势只做一次后就做下一个手势的动作，然后这样重复多遍等。
这里之所以叫样本数据组，就是因为采集的样本数据不仅仅包括一个，而是包括多个样本数据。每一个通道对应一组样本数据，如果多个通道，则对应多个样本数据组。因此，样本数据组的数量至少与通道的数量相等。
而且，考虑到多通道采集的数据量将会比较大，后续处理会比较复杂，效率不会很高。因此，在本实施例中，设置的通道的预设数量最多不超过两个。
在上述具体例子中的采集方式，就是为了保证数据的精确度，避免由于肌肉疲劳使得肌电数据不够精准。又或者可能单次采集的数据有可能不够精准，所以采集多次。
步骤120，分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据。
具体的，对于肌电样本数据的处理过程，参见图2所示，图2为本发明提供的对肌电样本数据的处理流程示意图，该处理过程可以包括如下操作：
步骤1201，按照第二预设规则对第一预设动作对应的第一肌电样本数据组中的肌电样本数据进行处理，获取与第一肌电样本数据组中的肌电样本数据对应的多个包络信号，其中，第一预设动作为多个预设动作中的任一个预设动作，第一肌电样本数据组包含与第一预设动作对应的肌电样本数据；
可选的，在按照第二预设规则对第一肌电样本数据组中的肌电样本数据进行处理，获取与第一肌电样本数据组中的肌电样本数据对应的多个包络信号之前，为了减弱个体差异对信号的影响，还可以先对第一肌电样本数据组中的肌电样本数据进行校正处理。
具体执行校正时，可以通过如下方式：
Figure BDA0002519103810000091
其中，其中xi为采集的原始表面肌电信号数据(即第一肌电样本数据组中的肌电数据)，thr为原始肌电信号数据的基线阈值，该阈值的计算方法如下：
thr＝mean{MAV1,MAV2,MAV3,…,MAVk}+A(公式2)
其中MAVi,i＝1,2,3,…,k为表面肌电信号静息态数据中取滑动窗口内信号的最大值，k为滑动窗口个数，A是常量。静息态是指试验者平卧、肌肉放松不做任何动作的状态。
通过公式1和公式2对第一肌电样本数据组中的肌电样本数据进行校正后，再获取经过校正后的肌电样本数据组中的包络信。具体参见如下：
具体的，首先对包络信号核函数进行初始化。
具体包括：kernel(jk)＝{j1,j2,j3,…,jn}，j1,…,jn＝0；
其中，kernel(jk)为核函数，jn为核函数中的元素。n为核函数滑动窗口中包含的经过校正后的肌电样本数据的数量。
然后，采用滑动窗口的形式，依次将第一肌电样本数据组中的第i个肌电样本数据融合至经过初始化后的包络信号处理核函数中，获取每一个滑动窗口曲线下的面积。
即，实现肌电信号和包络信号核函数的融合。在对第一肌电样本数据组中的肌电样本数据进行校正的基础上，这里与包络信号核函数进行融合的肌电信号可以是经过校正后的肌电样本数据。
即，将经过校正后的肌电样本数据si传入核函数中，核函数更新为：
kernel＝{ji+1,…,jn,s1，s2,…,si},ji+1,…,jn＝0。每进入一个新的数据点，均需基于梯形法计算该包络窗口的单位等距数学积分，即该窗口曲线下的面积，参见公式3：
envelopeSignal＝sum{ji+1,…,jn,s2,…,si}÷2(公式3)
根据所有滑动窗口曲线下的面积，计算与第i个肌电样本数据对应的第i个包络信号。
基于梯形法计算该核函数单位等距积分，即得到包络信号yi＝envekopeSignal；
si+1传入核函数中，核函数更新为：
kernel＝{ji+2,…,jn,si,si+1},ji+2,ji+3,…,jn＝0，计算积分得到包络信号yi+1；
以此类推，由肌电信号{s1,s2,s3,…,si,…sn-1,sn}计算得出包络信号{y1,y2,y3,…,yi,…yn-1,yn}。其中，i为正整数，i最大取值为第一肌电样本数据组中数据总量对应的数值。
步骤1202，根据多个包络信号，确定第一肌电样本数据组的有效活动段。
具体的，判断第一肌电样本数据组的有效活动段时，可以参见如下规则：
当确定多个包络信号中第一包络信号的数值大于预设阈值时，确定与第一包络信号对应的第一肌电样本数据为有效活动段的起始位置；
当确定多个包络信号中排序在第二包络信号之前的包络信号的数值同样大于预设阈值，而第二包络信号的数值小于预设阈值时，确定与第二包络信号对应的第二肌电样本数据为有效活动段的终止位置，其中，多个包络信号按照生成时间进行排序，第二包络信号在第一包络信号之后。
例如，在步骤1201中确定的包络信号包括{y1,y2,y3,…,yi,…,yn-1,yn}。如果多个包络信号中，y2大于预设阈值，那么认定y2对应的第一肌电样本数据(例如，在上述具体例子中经过校正后的肌电样本数据s2)就为有效活动段的起始位置。
多个包络信号中，yn-1对应的数值小于预设阈值，那么确定yn-1为有效活动段内的终止位置。那么，最终获取的有效活动段为{y2,y3,…,yi,…yn-1}。
步骤1203，对有效活动段内的第二肌电样本数据组进行去噪处理，获取经过预处理后的肌电样本数据。
具体的，第二肌电样本数据组为第一肌电样本数据组的子集。如上述例子中获取的有效活动段为{y2,y3,…,yi,…yn-1}。那么，第二肌电样本数据组就是{s2,s3,…,si,…sn-1}。然后，对第二肌电样本数据组的去噪处理，例如可以包括：
利用陷波器去除50Hz功率干扰，然后再进行20-450Hz带通滤波。
步骤130，对经过预处理后的肌电样本数据进行特征提取，获取特征点。
具体的，对经过上述步骤操作实现预处理后获取预处理的肌电样本数据进行特征提取，提取的特征点包括多种类型。例如，包括经过预处理后的肌电样本数据对应的波长、过零点数、斜率符号变化数、时间序列模型以及偏度等。
在获取肌电数据的波长时，可以采用如下公式计算得到：
Figure BDA0002519103810000111
其中，WL为波长，K为有效活动段内肌电样本数据的总个数，hi为经过预处理后的第i个肌电样本数据，hi+1为经过预处理后的第i+1个肌电样本数据。波形长度是K点经过预处理后的肌电样本信号长度的累加和，反应了肌电信号波形的复杂度，也反映了肌电信号幅值、频率以及持续时间等共同作用的效果。
过零点数(zeros crossing，简称ZC)：一种简单的频率统计特征，计算在一段时间内信号波形通过时间轴(也就是零)的次数。给定两个相邻的肌电样本数据hi，hi+1，满足以下条件，过零点数的值加一：
hihi+1≤0,|hi-hi+1|≥ε(公式5)
其中，ε为根据经验设定的数值，具体是多少可以根据实际情况设定。
斜率符号变化数(slope sign changes，简称SSC)：该统计量是描述信号频率信息的另一个特征量。给定信号的三个连续肌电样本数据，hi+1,hi,hi-1，满足以下条件，变化数的值加一：
(hi+1-hi)*(hi-hi-1)≤0,|hi-hi+1|≥ε,|hi-hi-1|≥ε(公式6)
时间序列模型，可以通过如下公式获取：
Figure BDA0002519103810000121
其中，h(i)表示经过预处理后的第i肌电信号，aj(j＝1,2,3…p)表示AR模型系数，p表示模型阶数，w(i)表示随机白噪声，i从2开始取值。
偏度，是衡量数据偏斜的方向及偏斜程度的特征向量。经过预处理后的肌电样本数据hi的偏度可估计为：
Figure BDA0002519103810000122
其中，SK为偏度，qi为经过预处理后的第i个肌电样本对应的观测值，n为样本个数，qmean为样本n次观测值的平均值，sd为样本标准差。
步骤140，按照第一预设规则，获取第一投影矩阵。
具体的，针对每一个预设动作，都有如上文所介绍的a组肌电样本数据组。每一组肌电样本数据组中都会针对每个肌电样本数据提取步骤130的特征点，例如特征点种类包括如步骤130所列举的5种，每组肌电样本数据总量是100个，那么特征点总数就是500a个。而实际过程中，特征点的个数必然会远远大于这个数据量。如果直接对特征点加入到肌电数据分类模型中进行对肌电数据分类模型进行训练，必然会因为数据量过大导致训练时间过长，运算过程过于复杂，不利于肌电数据分类模型构建。因此，在本实施例中，首先按照第一预设规则对特征点进行降维。另外，降维的另一个目的还包括，尽量保证经过降维后的特征点中，同类特征点(属于同一预设动作的特征点)之间能够保证聚拢程度最大，不同类特征点(不同预设动作分别对应的特征点)之间分类程度最大。
具体的，可以按照第一预设规则，获取第一投影矩阵。
第一投影矩阵用于对特征点进行降维操作，以使经过降维后的特征点达到同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大。
在一个具体的例子中，可以将特征点代入至统计不相关鉴别分析特征降维方法中，求取第一投影矩阵。
在执行上述操作之前，首先介绍如下内容：
特征投影变换是模式识别中的一种重要工具，它常被用来提取冗余特征中的重要信息(如区分度信息，方差信息等)，以提升分类器的泛化性能。
常使用的是一种线性特征投影方法来处理特征，即基于Fisher准则线性分析(Linear Discriminant Analysis，简称LDA)方法。该投影变换的目标是最大化一个被称为Rayleigh系数的目标值：
Figure BDA0002519103810000131
其中，W是一个线性投影矩阵，SI和SN是对称矩阵，它们根据不同的应用对象被赋予不同的含义。取得最大值的投影向量W是Fisher最佳鉴别方向，最优投影方向能使得样本数据投影后，不同类样本的分离程度和同类样本的聚拢程度都达到最大，以便于对不同预设动作对应的特征进行精准分类。
假设训练集中的样本值是：h1,h2,h3,....hN，样本的种类数是NC。每个子集分别含有nci个样本值，且满足条件：
Figure BDA0002519103810000132
每一个种类的样本均值是：
Figure BDA0002519103810000133
整体的样本均值是：
Figure BDA0002519103810000134
类内离散矩阵是：
Figure BDA0002519103810000141
类间离散度矩阵是：
Figure BDA0002519103810000142
可以证明，在保证矩阵SW不奇异的条件下，最大化J(W)的问题求解可以转化为一个特征值分解问题，最优LDA投影矩阵W的列向量就是以下特征方程的特征向量：
LDA特征投影的计算公式是:
y＝WTh(公式14)
在LDA方法的基础上可知，最佳鉴别方向之间两两正交，是线性无关的。因此，在本实施例中，再进行特征投影时，使用的是统计不相关鉴别分析(ULDA)方法。
假设h是属于样本空间Rn的一个样本，对于样本h投影到W1和W2上的任意两个特征y1＝W1 Th,y2＝W2 Th。y1和y2的协方差为：
Cov(yi,yj)＝E[(yi-E(yi))(yj-E(yj))](公式15)
Cov(yi,yj)＝Wi T{E(h-E(h))(h-E(h)T}Wj(公式16)
假设鉴别特征满足统计正交条件Cov(yi,yj)＝0，即：
Wi TSTWj＝0(公式17)
这样，对于求出的前K个最佳鉴别方向，按照以下公式可以得到改进的最佳鉴别特征，改进的最佳鉴别特征Y的任意两个鉴别特征间是统计不相关的。对于改进的鉴别方向Wi+1的求解，是在满足共轭正交条件下的使得下式特征方程中最大的特征值对应的特征向量：
PSBWi+1＝λSWWi+2(公式18)
其中，
P＝I-STDT(DSW -1STDT)-1DSTSW -1
D＝[W1,W2,W3,…Wk]T
而D就是我们最终获取的投影矩阵。
利用投影矩阵，对特征点进行降维，就是将所有特征点向投影矩阵D进行投影，实现降维，具体操作为现有技术，这里不做过多说明。
步骤150，将经过降维后的特征点，输入至肌电数据分类模型中，对肌电数据分类模型进行训练，直至根据训练结果和标记信息，确定分类水平达到预设要求时，确定肌电数据分类模型为最优分类模型，完成肌电数据分类模型的构建。
具体的，将经过降维的特征点可以分批次输入至肌电数据分类模型。然后利用肌电数据分类模型对每一批次输入的特征点进行分类，获取分类结果。如果分类结果与肌电样本数据对应的标记信息一致的程度达到预设要求，则说明分类水平达到预设要求了，可以确定肌电数据分类模型为最优分类模型，完成肌电数据分类模型的构建。否则，由工作人员对肌电数据分类模型中的参数进行调优后，再执行下一次的训练，即将下一批次的经过降维后的特征点输入至肌电数据分类模型，进行训练。
例如上面实施例中所介绍的，将不同的手势对应的肌电数据经过上述操作获取的降维后的特征点输入到肌电数据分类模型后，肌电数据分类模型可以分辨出不同的特征点属于什么手势动作。也即是，实现对采集的肌电数据能够进行准确的分类。而且，手势动作不仅仅是张开-闭合等这样一个自由度，而是精细到手指动作的多个自由度。如可以根据肌电数据判定，当前的手势动作是握拳，屈腕、伸掌、拇指弯曲、食指弯曲、中指弯曲、无名指弯曲、小指弯曲、拇指食指组合弯曲等等。
本发明实施例提供的肌电数据分类模型构建方法，从预设数量的通道中每一个通道分别获取多个肌电样本数据组，通道的数量一般不超过两个。预设动作可以包括至少两种。分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据。对经过预处理后的肌电样本数据进行特征提取，来获取特征点。对特征点进行降维，以降低输入至肌电数据分类模型中特征点的数量，降低数据运算处理复杂度，提高模型训练效率。而且，按照第一预设规则，对特征点降维，还用于实现同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大，如此一来，有利于加速对肌电数据分类模型的训练。同样是减轻对于肌电数据分类模型训练时的工作量，用以提升工作效率。进一步的，通过上述方式，实现采用较少的通道数采集肌电样本数据，然后将对应的特征点进行提取和降维等方式，最大限度地正确分类属于不同运动的肌电图数据，进而便于实现控制预设机器设备执行不同的预设动作，即完成对预设机器设备的多自由度的控制，并得到较高准确率。
图3为本发明实施例提供的一种肌电数据分类方法流程示意图，具体参见图3所示，该方法包括：
步骤310，从预设数量的通道中获取与待测试动作对应的第一肌电测试数据组。
具体的获取过程同上一实施例步骤110所介绍的过程类似，这里不再赘述。其中，预设数量的通道最多不超过两个。
步骤320，采用如上一实施例所介绍的方法对第一肌电测试数据组中的肌电数据进行预处理，获取第二肌电测试数据组。
步骤330，对第二肌电测试数据组中的肌电数据进行特征提取，获取特征点。
步骤340，按照第一预设规则对特征点进行降维。
具体的，本实施例中所说的第一预设规则与上一实施例中所介绍的第一预设规则存在一定的差异。在本实施例中，按照第一预设规则对特征点进行降维，可以理解为利用上一实施例步骤130所获取的成果来实现对本实施中的特征点进行降维。不再执行上述操作过程，而是单纯的利用上一实施例可以实现降维的最终成果，例如采用如上一实施例所介绍的投影矩阵D来对特征点进行降维。
步骤350，将经过降维后的特征点输入至如上一实施例所介绍的方法构建的肌电数据分类模型中，通过肌电数据分类模型进行分类识别，用以确定待测试动作。
本实施例中的具体操作过程与上一实施例中的过程相同或类似，为叙述简便，所以这里不再过多论述。
本发明实施例提供的一种肌电数据分类方法，从预设数量的通道中获取与待测试动作对应的第一肌电测试数据，然后用上一实施例的任一实施方式中所介绍的操作方法对第一肌电测试数据组中的肌电测试数据进行处理，获取第二肌电测试数据组。并对第二肌电测试数据组中的肌电测试数据进行特征提取，获取特征点，并按照上一实施例中获取的降维方案最终成果对特征点直接降维，然后输入到通过上一实施例已经生成的肌电数据分类模型即可，实现肌电数据分类，用以确定待测试的动作。通过该种方式，可以实现采用较少的通道数采集肌电样本数据，然后将对应的特征点进行提取和降维等方式，最大限度地正确识别肌电数据对应的操作动作，用以控制机器设备的执行相应的操作，且得到较高准确率，提升了用户的体验度。
图4为本发明实施例提供的一种肌电数据分类模型构建装置，该装置包括：获取单元401、处理单元402、特征点提取单元403、特征点降维单元404，以及模型构建单元405。
获取单元401，用于从预设数量的通道中每一个通道分别获取多个肌电样本数据组，其中，肌电样本数据组携带用于指示预设动作的标记信息，预设动作包括至少两种，预设数量的通道最多不超过两个，通道内同一时刻输出的肌电样本数据均为同一预设动作对应的肌电样本数据；
处理单元402，用于分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据；
特征点提取单元403，用于对经过预处理后的肌电样本数据进行特征提取，获取特征点；
特征点降维单元404，用于按照第一预设规则，获取第一投影矩阵，第一投影矩阵用于对特征点进行降维操作，以使经过降维后的特征点达到同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大；
模型构建单元405，用于将经过降维后的特征点，输入至肌电数据分类模型中，对肌电数据分类模型进行训练，直至根据训练结果和标记信息，确定分类水平达到预设要求时，确定肌电数据分类模型为最优分类模型，完成肌电数据分类模型的构建。
可选的，处理单元402具体用于，按照第二预设规则对第一预设动作对应的第一肌电样本数据组中的肌电样本数据进行处理，获取与第一肌电样本数据组中的肌电样本数据对应的多个包络信号，其中，第一预设动作为多个预设动作中的任一个预设动作，第一肌电样本数据组包含与第一预设动作对应的肌电样本数据；
根据多个包络信号，确定第一肌电样本数据组的有效活动段；
对有效活动段内的第二肌电样本数据组进行去噪处理，获取经过预处理后的肌电样本数据，第二肌电样本数据组为第一肌电样本数据组的子集。
可选的，处理单元402还用于，按照第三预设规则，对第一肌电样本数据组中的肌电样本数据进行校正处理。
可选的，处理单元402具体用于，初始化包络信号核函数；
采用滑动窗口的形式，依次将第一肌电样本数据组中的第i个肌电样本数据融合至经过初始化后的包络信号处理核函数中，获取每一个滑动窗口曲线下的面积；
根据所有滑动窗口曲线下的面积，计算与第i个肌电样本数据对应的第i个包络信号，其中，i为正整数，i最大取值为第一肌电样本数据组中数据总量对应的数值。
可选的，处理单元402具体用于，当确定多个包络信号中第一包络信号的数值大于预设阈值时，确定与第一包络信号对应的第一肌电样本数据为有效活动段的起始位置；
当确定多个包络信号中排序在第二包络信号之前的包络信号的数值同样大于预设阈值，而第二包络信号的数值小于预设阈值时，确定与第二包络信号对应的第二肌电样本数据为有效活动段的终止位置，其中，多个包络信号按照生成时间进行排序，第二包络信号在第一包络信号之后。
可选的，特征点降维单元404具体用于，将特征点代入至统计不相关鉴别分析特征降维方法中，求取第一投影矩阵。
本实施例提供的肌电数据分类模型构建装置中各功能部件所执行的功能均已在图1对应的实施例中做了详细介绍，因此这里不再赘述。
本发明实施例提供的一种肌电数据分类模型构建装置，从预设数量的通道中每一个通道分别获取多个肌电样本数据组，通道的数量一般不超过两个。预设动作可以包括至少两种。分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据。对经过预处理后的肌电样本数据进行特征提取，来获取特征点。对特征点进行降维，以降低输入至肌电数据分类模型中特征点的数量，降低数据运算处理复杂度，提高模型训练效率。而且，按照第一预设规则，对特征点降维，还用于实现同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大，如此一来，有利于加速对肌电数据分类模型的训练。同样是减轻对于肌电数据分类模型训练时的工作量，用以提升工作效率。进一步的，通过上述方式，实现采用较少的通道数采集肌电样本数据，然后将对应的特征点进行提取和降维等方式，最大限度地正确分类属于不同运动的肌电图数据，进而便于实现控制预设机器设备执行不同的预设动作，即完成对预设机器设备的多自由度的控制，并得到较高准确率。
图5为本发明实施例提供的一种肌电数据分类装置，该装置包括：获取单元501、处理单元502、特征点提取单元503、特征点降维单元504，以及分类单元505。
获取单元501，用于从预设数量的通道中获取与待测试动作对应的第一肌电测试数据组，其中，预设数量的通道最多不超过两个；
处理单元502，用于采用如第一实施例任一实施方式所介绍的方法对第一肌电测试数据组中的肌电数据进行预处理，获取第二肌电测试数据组；
特征点提取单元503，用于对第二肌电测试数据组中的肌电数据进行特征提取，获取特征点；
特征点降维单元504，用于按照第一预设规则对特征点进行降维；
分类单元505，用于将经过降维后的特征点输入至如第一实施例任一实施方式所介绍的方法构建的肌电数据分类模型中，通过肌电数据分类模型进行分类识别，用以确定待测试动作。
本实施例提供的肌电数据分类装置中各功能部件所执行的功能均已在图3对应的实施例中做了详细介绍，因此这里不再赘述。
本发明实施例提供的一种肌电数据分类装置，从预设数量的通道中获取与待测试动作对应的第一肌电测试数据，然后用上一实施例的任一实施方式中所介绍的操作方法对第一肌电测试数据组中的肌电测试数据进行处理，获取第二肌电测试数据组。并对第二肌电测试数据组中的肌电测试数据进行特征提取，获取特征点，并按照上一实施例中获取的降维方案最终成果对特征点直接降维，然后输入到通过上一实施例已经生成的肌电数据分类模型即可，实现肌电数据分类，用以确定待测试的动作。通过该种方式，可以实现采用较少的通道数采集肌电样本数据，然后将对应的特征点进行提取和降维等方式，最大限度地正确识别肌电数据对应的操作动作，用以控制机器设备的执行相应的操作，且得到较高准确率，提升了用户的体验度。
图6为本发明实施例提供的一种服务器的结构示意图，图6所示的服务器600包括：至少一个处理器601、存储器602、至少一个网络接口603和其他用户接口604。肌电数据分类模型构建服务器600中的各个组件通过总线系统605耦合在一起。可理解，总线系统605用于实现这些组件之间的连接通信。总线系统605除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统605。
其中，用户接口604可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器602存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统6021和应用程序6022。
其中，操作系统6021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序6022，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序6022中。
在本发明实施例中，通过调用存储器602存储的程序或指令，具体的，可以是应用程序6022中存储的程序或指令，处理器601用于执行各方法实施例所提供的方法步骤，例如包括：
从预设数量的通道中每一个通道分别获取多个肌电样本数据组，其中，肌电样本数据组携带用于指示预设动作的标记信息，预设动作包括至少两种，预设数量的通道最多不超过两个，通道内同一时刻输出的肌电样本数据均为同一预设动作对应的肌电样本数据；
分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据；
对经过预处理后的肌电样本数据进行特征提取，获取特征点；
按照第一预设规则，获取第一投影矩阵，第一投影矩阵用于对特征点进行降维操作，以使经过降维后的特征点达到同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大；
将经过降维后的特征点，输入至肌电数据分类模型中，对肌电数据分类模型进行训练，直至根据训练结果和标记信息，确定分类水平达到预设要求时，确定肌电数据分类模型为最优分类模型，完成肌电数据分类模型的构建。
可选的，按照第二预设规则对第一预设动作对应的第一肌电样本数据组中的肌电样本数据进行处理，获取与第一肌电样本数据组中的肌电样本数据对应的多个包络信号，其中，第一预设动作为多个预设动作中的任一个预设动作，第一肌电样本数据组包含与第一预设动作对应的肌电样本数据；
根据多个包络信号，确定第一肌电样本数据组的有效活动段；
对有效活动段内的第二肌电样本数据组进行去噪处理，获取经过预处理后的肌电样本数据，第二肌电样本数据组为第一肌电样本数据组的子集。
可选的，按照第三预设规则，对第一肌电样本数据组中的肌电样本数据进行校正处理。
可选的，初始化包络信号核函数；
采用滑动窗口的形式，依次将第一肌电样本数据组中的第i个肌电样本数据融合至经过初始化后的包络信号处理核函数中，获取每一个滑动窗口曲线下的面积；
根据所有滑动窗口曲线下的面积，计算与第i个肌电样本数据对应的第i个包络信号，其中，i为正整数，i最大取值为第一肌电样本数据组中数据总量对应的数值。
可选的，当确定多个包络信号中第一包络信号的数值大于预设阈值时，确定与第一包络信号对应的第一肌电样本数据为有效活动段的起始位置；
当确定多个包络信号中排序在第二包络信号之前的包络信号的数值同样大于预设阈值，而第二包络信号的数值小于预设阈值时，确定与第二包络信号对应的第二肌电样本数据为有效活动段的终止位置，其中，多个包络信号按照生成时间进行排序，第二包络信号在第一包络信号之后。
可选的，将特征点代入至统计不相关鉴别分析特征降维方法中，求取第一投影矩阵。
或者，包括：
从预设数量的通道中获取与待测试动作对应的第一肌电测试数据组，其中，预设数量的通道最多不超过两个；
采用如第一实施例中任一实施方式所介绍的方法对第一肌电测试数据组中的肌电数据进行预处理，获取第二肌电测试数据组；
对第二肌电测试数据组中的肌电数据进行特征提取，获取特征点；
按照第一预设规则对特征点进行降维；
将经过降维后的特征点输入至如第一实施例中任一实施方式所介绍的方法构建的肌电数据分类模型中，通过肌电数据分类模型进行分类识别，用以确定待测试动作。
上述本发明实施例揭示的方法可以应用于处理器601中，或者由处理器601实现。处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSPDevice，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文功能的单元来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例提供的服务器可以是如图6中所示的服务器，可执行如图1中肌电数据分类模型构建方法的所有步骤，进而实现图1所示肌电数据分类模型构建方法的技术效果，具体请参照图1相关描述；
或者，可执行如图3中肌电数据分类方法的所有步骤，进而实现图3所示的肌电数据分类方法的技术效果，具体请参照图3相关描述，为简洁描述，在此不作赘述。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在服务器侧执行的肌电数据分类模型构建方法。
处理器用于执行存储器中存储的肌电数据分类模型构建程序，以实现以下在服务器侧执行的肌电数据分类模型构建方法的步骤：
从预设数量的通道中每一个通道分别获取多个肌电样本数据组，其中，肌电样本数据组携带用于指示预设动作的标记信息，预设动作包括至少两种，预设数量的通道最多不超过两个，通道内同一时刻输出的肌电样本数据均为同一预设动作对应的肌电样本数据；
分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据；
对经过预处理后的肌电样本数据进行特征提取，获取特征点；
按照第一预设规则，获取第一投影矩阵，第一投影矩阵用于对特征点进行降维操作，以使经过降维后的特征点达到同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大；
将经过降维后的特征点，输入至肌电数据分类模型中，对肌电数据分类模型进行训练，直至根据训练结果和标记信息，确定分类水平达到预设要求时，确定肌电数据分类模型为最优分类模型，完成肌电数据分类模型的构建。
可选的，按照第二预设规则对第一预设动作对应的第一肌电样本数据组中的肌电样本数据进行处理，获取与第一肌电样本数据组中的肌电样本数据对应的多个包络信号，其中，第一预设动作为多个预设动作中的任一个预设动作，第一肌电样本数据组包含与第一预设动作对应的肌电样本数据；
根据多个包络信号，确定第一肌电样本数据组的有效活动段；
对有效活动段内的第二肌电样本数据组进行去噪处理，获取经过预处理后的肌电样本数据，第二肌电样本数据组为第一肌电样本数据组的子集。
可选的，按照第三预设规则，对第一肌电样本数据组中的肌电样本数据进行校正处理。
可选的，初始化包络信号核函数；
采用滑动窗口的形式，依次将第一肌电样本数据组中的第i个肌电样本数据融合至经过初始化后的包络信号处理核函数中，获取每一个滑动窗口曲线下的面积；
根据所有滑动窗口曲线下的面积，计算与第i个肌电样本数据对应的第i个包络信号，其中，i为正整数，i最大取值为第一肌电样本数据组中数据总量对应的数值。
可选的，当确定多个包络信号中第一包络信号的数值大于预设阈值时，确定与第一包络信号对应的第一肌电样本数据为有效活动段的起始位置；
当确定多个包络信号中排序在第二包络信号之前的包络信号的数值同样大于预设阈值，而第二包络信号的数值小于预设阈值时，确定与第二包络信号对应的第二肌电样本数据为有效活动段的终止位置，其中，多个包络信号按照生成时间进行排序，第二包络信号在第一包络信号之后。
可选的，将特征点代入至统计不相关鉴别分析特征降维方法中，求取第一投影矩阵。
或者，包括：
从预设数量的通道中获取与待测试动作对应的第一肌电测试数据组，其中，预设数量的通道最多不超过两个；
采用如第一实施例中任一实施方式所介绍的方法对第一肌电测试数据组中的肌电数据进行预处理，获取第二肌电测试数据组；
对第二肌电测试数据组中的肌电数据进行特征提取，获取特征点；
按照第一预设规则对特征点进行降维；
将经过降维后的特征点输入至如第一实施例中任一实施方式所介绍的方法构建的肌电数据分类模型中，通过肌电数据分类模型进行分类识别，用以确定待测试动作。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种肌电数据分类模型构建方法，其特征在于，所述方法包括：
从预设数量的通道中每一个通道分别获取多个肌电样本数据组，其中，所述肌电样本数据组携带用于指示预设动作的标记信息，所述预设动作包括至少两种，所述预设数量的通道最多不超过两个，所述通道内同一时刻输出的肌电样本数据均为同一预设动作对应的肌电样本数据；
分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据；
对经过预处理后的肌电样本数据进行特征提取，获取特征点；
按照第一预设规则，获取第一投影矩阵，所述第一投影矩阵用于对所述特征点进行降维操作，以使经过降维后的特征点达到同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大；
将经过降维后的特征点，输入至肌电数据分类模型中，对所述肌电数据分类模型进行训练，直至根据所述训练结果和所述标记信息，确定分类水平达到预设要求时，确定所述肌电数据分类模型为最优分类模型，完成所述肌电数据分类模型的构建。
2.根据权利要求1所述的方法，其特征在于，所述分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据，具体包括：
按照第二预设规则对第一预设动作对应的第一肌电样本数据组中的肌电样本数据进行处理，获取与所述第一肌电样本数据组中的肌电样本数据对应的多个包络信号，其中，所述第一预设动作为所述多个预设动作中的任一个预设动作，所述第一肌电样本数据组包含与所述第一预设动作对应的肌电样本数据；
根据所述多个包络信号，确定所述第一肌电样本数据组的有效活动段；
对所述有效活动段内的第二肌电样本数据组进行去噪处理，获取所述经过预处理后的肌电样本数据，所述第二肌电样本数据组为所述第一肌电样本数据组的子集。
3.根据权利要求2所述的方法，其特征在于，所述按照第二预设规则对第一肌电样本数据组中的肌电样本数据进行处理，获取与所述第一肌电样本数据组中的肌电样本数据对应的多个包络信号之前，所述方法还包括：
按照第三预设规则，对所述第一肌电样本数据组中的肌电样本数据进行校正处理。
4.根据权利要求2或3所述的方法，其特征在于，所述按照第二预设规则对第一肌电样本数据组中的肌电样本数据进行处理，获取与所述第一肌电样本数据组中的肌电样本数据对应的多个包络信号，具体包括：
初始化包络信号核函数；
采用滑动窗口的形式，依次将所述第一肌电样本数据组中的第i个肌电样本数据融合至经过初始化后的包络信号处理核函数中，获取每一个滑动窗口曲线下的面积；
根据所有滑动窗口曲线下的面积，计算与所述第i个肌电样本数据对应的第i个包络信号，其中，i为正整数，i最大取值为所述第一肌电样本数据组中数据总量对应的数值。
5.根据权利要求2或3所述的方法，其特征在于，所述根据所述多个包络信号，确定所述第一肌电样本数据组的有效活动段，具体包括：
当确定所述多个包络信号中第一包络信号的数值大于预设阈值时，确定与所述第一包络信号对应的第一肌电样本数据为所述有效活动段的起始位置；
当确定所述多个包络信号中排序在第二包络信号之前的包络信号的数值同样大于所述预设阈值，而所述第二包络信号的数值小于所述预设阈值时，确定与所述第二包络信号对应的第二肌电样本数据为所述有效活动段的终止位置，其中，所述多个包络信号按照生成时间进行排序，所述第二包络信号在所述第一包络信号之后。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述按照第一预设规则，获取第一投影矩阵，具体包括：
将所述特征点代入至统计不相关鉴别分析特征降维方法中，求取所述第一投影矩阵。
7.一种肌电数据分类方法，其特征在于，所述方法包括：
从预设数量的通道中获取与待测试动作对应的第一肌电测试数据组，其中，所述预设数量的通道最多不超过两个；
采用如权利要求1-5任一项所述的方法对所述第一肌电测试数据组中的肌电数据进行预处理，获取第二肌电测试数据组；
对所述第二肌电测试数据组中的肌电数据进行特征提取，获取特征点；
按照第一预设规则对所述特征点进行降维；
将经过降维后的特征点输入至如权利要求1-6任一项所述的方法构建的肌电数据分类模型中，通过所述肌电数据分类模型进行分类识别，用以确定所述待测试动作。
8.一种肌电数据分类模型构建装置，其特征在于，所述装置包括：
获取单元，用于从预设数量的通道中每一个通道分别获取多个肌电样本数据组，其中，所述肌电样本数据组携带用于指示预设动作的标记信息，所述预设动作包括至少两种，所述预设数量的通道最多不超过两个，所述通道内同一时刻输出的肌电样本数据均为同一预设动作对应的肌电样本数据；
处理单元，用于分别对每一个预设动作对应的肌电样本数据组中的肌电样本数据进行预处理，获取预处理后的肌电样本数据；
特征点提取单元，用于对经过预处理后的肌电样本数据进行特征提取，获取特征点；
特征点降维单元，用于按照第一预设规则，重复执行对所述特征点进行降维操作，直至确定经过降维后的特征点达到同一预设动作对应的特征点之间聚拢程度最大，不同预设动作分别对应的特征点之间分类程度最大，停止所述降维操作；
模型构建单元，用于将经过降维后的特征点，输入至肌电数据分类模型中，对所述肌电数据分类模型进行训练，直至根据所述训练结果和所述标记信息，确定分类水平达到预设要求时，确定所述肌电数据分类模型为最优分类模型，完成所述肌电数据分类模型的构建。
9.一种肌电数据分类装置，其特征在于，所述装置包括：
获取单元，用于从预设数量的通道中获取与待测试动作对应的第一肌电测试数据组，其中，所述预设数量的通道最多不超过两个；
处理单元，用于采用如权利要求1-5任一项所述的方法对所述第一肌电测试数据组中的肌电数据进行预处理，获取第二肌电测试数据组；
特征点提取单元，用于对所述第二肌电测试数据组中的肌电数据进行特征提取，获取特征点；
特征点降维单元，用于按照第一预设规则对所述特征点进行降维；
分类单元，用于将经过降维后的特征点输入至如权利要求1-6任一项所述的方法构建的肌电数据分类模型中，通过所述肌电数据分类模型进行分类识别，用以确定所述待测试动作。
10.一种服务器，其特征在于，所述服务器包括：至少一个处理器和存储器；
所述处理器用于执行所述存储器中存储的肌电数据分类模型构建程序，以实现权利要求1～6中任一项所述的肌电数据分类模型构建方法；
或者，所述处理器用以执行所述存储器中存储的肌电数据分类程序，以实现如权利要求7所述的肌电数据分类方法。
11.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被如权利要求10所述的服务器执行，以实现权利要求1～6中任一项所述的肌电数据分类模型构建方法；或者，实现权利要求7所述的肌电数据分类方法。
CN202010482115.4A 2020-06-01 2020-06-01 肌电数据分类模型构建方法、分类方法、装置及服务器 Pending CN111714121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010482115.4A CN111714121A (zh) 2020-06-01 2020-06-01 肌电数据分类模型构建方法、分类方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010482115.4A CN111714121A (zh) 2020-06-01 2020-06-01 肌电数据分类模型构建方法、分类方法、装置及服务器

Publications (1)

Publication Number Publication Date
CN111714121A true CN111714121A (zh) 2020-09-29

Family

ID=72565445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010482115.4A Pending CN111714121A (zh) 2020-06-01 2020-06-01 肌电数据分类模型构建方法、分类方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN111714121A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112690807A (zh) * 2020-12-04 2021-04-23 京东数科海益信息科技有限公司 确定执行动作速度等级的方法、装置和存储介质
CN114288634A (zh) * 2022-02-21 2022-04-08 四川轻化工大学 基于肌电信号采集的健身动作自识别与报警系统
CN115317207A (zh) * 2022-10-12 2022-11-11 深圳市心流科技有限公司 一种仿生肢体动作控制方法和控制装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BENCHABANE, S.I., N. SAADIA, AND A. RAMDANE-CHERIF: "Novel Algorithm for Conventional Myocontrol of Upper Limbs Prosthetics", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL 》 *
SARLABOUS L, ESTRADA L, CEREZO-HERNÁNDEZ A, V D LEEST S, TORRES: "Electromyography-Based Respiratory Onset Detection in COPD Patients on Non-Invasive Mechanical Ventilation", 《ENTROPY (BASEL)》 *
WANG, NIANFENG, YULONG CHEN, AND XIANMIN ZHANG: "Realtime Recognition of Multi-finger Prehensile Gestures", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL 》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112690807A (zh) * 2020-12-04 2021-04-23 京东数科海益信息科技有限公司 确定执行动作速度等级的方法、装置和存储介质
CN114288634A (zh) * 2022-02-21 2022-04-08 四川轻化工大学 基于肌电信号采集的健身动作自识别与报警系统
CN114288634B (zh) * 2022-02-21 2023-01-06 四川轻化工大学 基于肌电信号采集的健身动作自识别与报警系统
CN115317207A (zh) * 2022-10-12 2022-11-11 深圳市心流科技有限公司 一种仿生肢体动作控制方法和控制装置

Similar Documents

Publication Publication Date Title
WO2021143353A1 (zh) 一种手势信息处理方法、装置、电子设备及存储介质
CN111844032B (zh) 肌电信号处理、外骨骼机器人控制方法及装置
CN111714121A (zh) 肌电数据分类模型构建方法、分类方法、装置及服务器
Yang et al. A proportional pattern recognition control scheme for wearable a-mode ultrasound sensing
WO2021052045A1 (zh) 肢体动作的识别方法、装置、计算机设备及存储介质
CN110333783B (zh) 一种用于鲁棒肌电控制的无关手势处理方法及系统
Liu et al. Towards zero retraining for myoelectric control based on common model component analysis
CN111700718B (zh) 一种识别握姿的方法、装置、假肢及可读存储介质
CN110555468A (zh) 一种联合递归图和cnn的脑电信号识别方法及系统
CN109598219B (zh) 一种用于鲁棒肌电控制的自适应电极配准方法
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
Xue et al. SEMG-based human in-hand motion recognition using nonlinear time series analysis and random forest
Samuel et al. A novel time-domain descriptor for improved prediction of upper limb movement intent in EMG-PR system
CN113849068A (zh) 一种手势多模态信息融合的理解与交互方法及其系统
Qureshi et al. E2cnn: An efficient concatenated CNN for classification of surface EMG extracted from upper limb
Jo et al. Real-time hand gesture classification using crnn with scale average wavelet transform
CN111401166A (zh) 基于肌电信息解码的鲁棒手势识别方法
Ison et al. Beyond user-specificity for emg decoding using multiresolution muscle synergy analysis
CN113729738A (zh) 一种多通道肌电特征图像的构建方法
Ding et al. Real-time myoelectric prosthetic-hand control to reject outlier motion interference using one-class classifier
Dolopikos et al. Electromyography signal-based gesture recognition for human-machine interaction in real-time through model calibration
CN112036357A (zh) 一种基于表面肌电信号的上肢动作识别方法及系统
CN117312985A (zh) 基于可解释深度学习的表面肌电信号相似手势识别方法
Teng et al. Evaluation of synergy-based hand gesture recognition method against force variation for robust myoelectric control
Rupom et al. Emg controlled bionic robotic arm using artificial intelligence and machine learning

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
CB02 Change of applicant information

Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Technology Information Technology Co.,Ltd.

Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd.

Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Shuke Haiyi Information Technology Co.,Ltd.

Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176

Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200929