CN111783719A - 一种肌电控制方法及装置 - Google Patents

一种肌电控制方法及装置 Download PDF

Info

Publication number
CN111783719A
CN111783719A CN202010668288.5A CN202010668288A CN111783719A CN 111783719 A CN111783719 A CN 111783719A CN 202010668288 A CN202010668288 A CN 202010668288A CN 111783719 A CN111783719 A CN 111783719A
Authority
CN
China
Prior art keywords
characteristic image
target
electromyographic
signal
classifier
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
CN202010668288.5A
Other languages
English (en)
Inventor
张旭
吴乐
陈勋
张璇
陈香
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010668288.5A priority Critical patent/CN111783719A/zh
Publication of CN111783719A publication Critical patent/CN111783719A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种肌电控制方法及装置，采集肌电信号；对肌电信号进行预处理，得到与肌电信号相匹配的特征图像；将特征图像输入至预创建的分类器模型，得到分类器模型输出的与肌电信号对应的手势类别；基于手势类别控制目标设备完成与手势类别匹配的操作。本发明中分类器模型是基于目标训练样本训练得到的神经网络模型，目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集，由于该目标训练样本充分考虑了电极偏移、力度变化等情况，使得可以精准识别运动指令对应的手势类别，提升肌电控制的稳定性。

Description

一种肌电控制方法及装置
技术领域
本发明涉及生物信号处理技术领域，特别是涉及一种肌电控制方法及装置。
背景技术
肌电信号是人体运动时，伴随肌肉收缩产生的电信号。该肌电信号能够直接反应出肌纤维的激活情况，且包含了丰富的运动控制信息。表面肌电信号是运动单位动作电位在检测电极处的时空叠加。由于表面肌电信号的无创性特点，被广泛应用在假肢控制、外骨骼控制、手势预测等人机交互接口。
近年来，随着模式识别技术的发展，基于该技术的肌电控制也得到了发展。但是现有的肌电模式识别过程中采用的样本信息较为理想，但是实际中，当受试者的粒度发生变化、肢体的关节角度变化、甚至电极重新佩戴，都会导致目标运动指令识别不精确，从而造成肌电控制的不稳定。
发明内容
针对于上述问题，本发明提供一种肌电控制方法及装置，实现了精准识别目标运动指令，提升肌电控制的稳定性。
为了实现上述目的，本发明提供了如下技术方案：
一种肌电控制方法，所述方法包括：
采集肌电信号；
对所述肌电信号进行预处理，得到与所述肌电信号相匹配的特征图像；
将所述特征图像输入至预创建的分类器模型，得到所述分类器模型输出的与所述肌电信号对应的手势类别，其中，所述分类器模型是基于目标训练样本训练得到的神经网络模型，所述目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集；
基于所述手势类别控制目标设备完成与所述手势类别匹配的操作。
可选地，所述方法还包括：
通过采集到的肌电信号创建分类器模型，包括：
采集目标运动指令的肌电信号，并依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，记为初始样本；
对所述初始样本进行图像处理，得到目标特征图像；
将所述初始样本与所述目标特征图像进行组合，得到目标样本；
利用所述目标样本对初始分类器进行训练，得到分类器模型，所述初始分类器为预先构建基于空洞卷积神经网络的模型。
可选地，所述依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，包括：
对所述肌电信号进行信号窗分割，得到信号窗；
对所述信号窗进行活动段分割，得到活动段的信号窗；
对所述活动端的信号窗进行特征提取，将提取后的特征转换为矩阵，将得到的转换矩阵确定为特征图像。
可选地，所述对所述初始样本进行图像处理，得到目标特征图像，包括：
对所述特征图像进行滤波处理，得到滤波后的特征图像；
将所述滤波后的特征图像进行插值处理，得到处理后的特征图像；
对处理后的特征图像进行数据增强处理，得到目标特征图像。
可选地，所述方法还包括：
利用目标测试数据对训练得到的分类器进行测试，得到测试数据，所述测试数据为引入电极偏移干扰的肌电信号对应的特征图像。
一种肌电控制装置，所述装置包括：
采集单元，用于采集肌电信号；
预处理单元，用于对所述肌电信号进行预处理，得到与所述肌电信号相匹配的特征图像；
输入单元，用于将所述特征图像输入至预创建的分类器模型，得到所述分类器模型输出的与所述肌电信号对应的手势类别，其中，所述分类器模型是基于目标训练样本训练得到的神经网络模型，所述目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集；
控制单元，用于基于所述手势类别控制目标设备完成与所述手势类别匹配的操作。
可选地，所述装置还包括：
创建单元，用于通过采集到的肌电信号创建分类器模型，所述创建单元包括：
采集子单元，用于采集目标运动指令的肌电信号，并依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，记为初始样本；
处理子单元，用于对所述初始样本进行图像处理，得到目标特征图像；
组合子单元，用于将所述初始样本与所述目标特征图像进行组合，得到目标样本；
训练子单元，用于利用所述目标样本对初始分类器进行训练，得到分类器模型，所述初始分类器为预先构建基于空洞卷积神经网络的模型。
可选地，所述采集子单元包括：
第一分割子单元，用于对所述肌电信号进行信号窗分割，得到信号窗；
第二分割子单元，用于对所述信号窗进行活动段分割，得到活动段的信号窗；
特征提取子单元，用于对所述活动端的信号窗进行特征提取，将提取后的特征转换为矩阵，将得到的转换矩阵确定为特征图像。
可选地，所述处理子单元具体用于：
对所述特征图像进行滤波处理，得到滤波后的特征图像；
将所述滤波后的特征图像进行插值处理，得到处理后的特征图像；
对处理后的特征图像进行数据增强处理，得到目标特征图像。
可选地，所述装置还包括：
测试子单元，用于利用目标测试数据对训练得到的分类器进行测试，得到测试数据，所述测试数据为引入电极偏移干扰的肌电信号对应的特征图像。
相较于现有技术，本发明提供了一种肌电控制方法及装置，采集肌电信号；对肌电信号进行预处理，得到与肌电信号相匹配的特征图像；将特征图像输入至预创建的分类器模型，得到分类器模型输出的与肌电信号对应的手势类别；基于手势类别控制目标设备完成与手势类别匹配的操作。本发明中分类器模型是基于目标训练样本训练得到的神经网络模型，目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集，由于该目标训练样本充分考虑了电极偏移、力度变化等情况，使得可以精准识别运动指令对应的手势类别，提升肌电控制的稳定性。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种肌电控制方法的流程示意图；
图2为本发明实施例提供的一种电极放置位置及手势示意图；
图3为本发明实施例提供的一种试验准确率对比结果示意图；
图4为本发明实施例提供的一种肌电控制装置的结构示意图。
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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种肌电控制方法，参见图1，所述方法包括以下步骤：
S101、采集肌电信号。
可以利用高密度阵列电极采集目标运动指令的表面肌电信号以侯建训练数据。其中，高密度阵列为柔性高密度阵列，其可以同时采集m行，n列的多通道肌电信号，每个通道之间距离为q。例如可以选用柔性电极阵列的数值为m＝10，n＝10，q＝0.7cm。将高密度阵列电极覆盖在皮肤表面，逐个执行k个动作指令。如图2所示，当进行手势控制时，将电极阵列贴附在前臂背侧以检测伸肌肌群。随后，执行k＝6个动作，分别为：伸食指，伸中指，伸小指，伸食指和中指，伸中指无名指和小指，以及伸腕。每个动作执行10次，并同时记录肌电信号，该肌电信号及相应的指令标签共同构成初始训练数据中的肌电信号。
S102、对所述肌电信号进行预处理，得到与所述肌电信号相匹配的特征图像。
对肌电信号进行预处理包括进行滑动窗处理、活动段分割、特征提取，以使得将高密度阵列采集的二维肌电信号转换为一帧帧特征图像(也可以称为特征图片)。
S103、将所述特征图像输入至预创建的分类器模型，得到所述分类器模型输出的与所述肌电信号对应的手势类别。
其中，所述分类器模型是基于目标训练样本训练得到的神经网络模型，所述目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集。这样可以使得目标样本更加符合实际应用环境，得到的分类器模型对手势类别进行预测时更加准确。
S104、基于所述手势类别控制目标设备完成与所述手势类别匹配的操作。
目标设备可以是假肢、外骨骼控制或者人机交互设备。
本发明提供了一种肌电控制方法，采集肌电信号；对肌电信号进行预处理，得到与肌电信号相匹配的特征图像；将特征图像输入至预创建的分类器模型，得到分类器模型输出的与肌电信号对应的手势类别；基于手势类别控制目标设备完成与手势类别匹配的操作。本发明中分类器模型是基于目标训练样本训练得到的神经网络模型，目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集，由于该目标训练样本充分考虑了电极偏移、力度变化等情况，使得可以精准识别运动指令对应的手势类别，提升肌电控制的稳定性。
在本发明实施例中还提供了一种分类器模型的创建方法，该方法包括：
S201、采集目标运动指令的肌电信号，并依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，记为初始样本；
S202、对所述初始样本进行图像处理，得到目标特征图像；
S203、将所述初始样本与所述目标特征图像进行组合，得到目标样本；
S204、利用所述目标样本对初始分类器进行训练，得到分类器模型，所述初始分类器为预先构建基于空洞卷积神经网络的模型。
其中，采集目标运动指令的肌电信号请参见步骤S101的描述，此处不进行赘述。
所述依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，包括：
对所述肌电信号进行信号窗分割，得到信号窗；
对所述信号窗进行活动段分割，得到活动段的信号窗；
对所述活动端的信号窗进行特征提取，将提取后的特征转换为矩阵，将得到的转换矩阵确定为特征图像。
具体的，滑动窗处理过程为：对初始样本中的肌电信号，利用滑动窗技术进行信号窗分割，即把连续的肌电信号流切分为一串信号窗，利用前后相邻的两窗之间可以存在的时间轴上的重叠，以保持后续控制指令的连续性。假设窗的长度为w，步长为s。例如，w＝256ms，s＝128ms。活动段分割过程为：利用静息段肌电信号所得的信号窗计算能量或熵作为阈值T，随后，一旦肌电信号窗的能量或熵高于该阈值即为活动段。例如，T计算如下，首先计算所有静息状态肌电信号窗的均方根值，随后T定义为上述均方根值的平均数加上三倍的标准差。对每一个活动段的信号窗，提取f各特征。
例如，f＝1，即提取一个特征，该特征可为波长(waveform length,WL)特征，其计算如下：
Figure BDA0002581271240000071
其中，Δxp＝xp-xp-1，N为此活动窗的信号长度。
每一个活动窗经过提取特征后将转换为大小为m×n×f的矩阵，该矩阵可以记为一幅特征图像。
对特征图像进行图像滤波，以去除如采集设备损坏，工频干扰等带来的异常像素；例如，对每一个特征图像利用图像滤波技术进行去噪，滤波技术如中值滤波技术。对滤波后的特征图像进行插值，构成高分辨率特征图像；例如，采用的插值计算为双线性插值方法。利用数据增强技术，扩充已有训练集中的高分辨率特征图片，构建扩充训练数据集，即目标训练样本。例如，针对电极偏移问题，可采用对高分辨率特征图像进行水平/垂直偏移像素的方式，以扩充训练集。
在本发明实施例中，基于空洞卷积神经网络的模型结构包括空洞卷积层，池化层，批标准化层，全连接层。例如，一种基于空洞卷积神经网络的模型结构。其包含三个模块，模块1主要由空洞卷积层(空洞率为3)和平均池化层，模块2和3主要由全连接层构成。其中，空洞卷积后的括号标注了该层卷积核的大小和滤波器数目，全连接层后的括号标注了该层滤波器的数目。Relu和Softmax代表激活函数的类型，flatten代表展开层。
利用扩充训练集数据训练模型，得到最优模型参数的过程如下：将扩充训练数据集中的高分辨率特征图像和相应的运动指令标签送至模型中，通过梯度下降方式使得模型预测的结果充分拟合于标签，此时的模型参数为最优的参数。
在测试阶段，采集的肌电信号经过活动段分割、特征提取、图像滤波和图像插值转换为高分辨率图像，随后送入上述具备最优网络模型参数的基于空洞卷积神经网络的分类器模型，该模型将直接预测输入的高分辨率特征图片的类别。
为了说明本发明上述方案的性能，使用传统方法与本发明上述方案进行了对比实验。
对比实验中，采用了期刊文献报道的线性判别分析作为分类器，以进行肌电控制。具体的步骤为：选择一位受试者通过肌电信号采集和预处理得到特征图像，随后利用特征图像及相应的运动指令标签训练线性判别分析分类器。测试时，在受试者做目标运动指令时采集到的肌电信号通过类似于肌电信号采集和预处理提取为特征图像，随后输入至线性判别分析分类器中得到分类结果。此处，对比的指标为分类结果的准确度，即正确分类的测试样本数目占总体测试样本数目的百分比。此处，为了体现出本发明方法的鲁棒性及优越性，在分类器训练完毕后，重复采集了5次测试数据，每一次都会重新佩戴电极，以引入电极偏移干扰。即利用目标测试数据对训练得到的分类器进行测试，得到测试数据，所述测试数据为引入电极偏移干扰的肌电信号对应的特征图像。
试验结果对比图如图3所示，本发明方法在各种电极偏移干扰的情况下，性能优于传统的线性判别分析方法，本发明方法平均识别率(95％)远远高于对比方法(78％)。
本发明上述方案的有益效果是：本发明将高密度阵列式电极采集到的肌电信号视作肌肉运动时的时空成像。为了充分利用时空信息，本发明首先将肌电信号转换为特征图像，随后为了使得该肌电控制方法鲁棒于电极偏移、力度变化等干扰，本发明通过图像滤波去除异常像素，通过图像数据增强去模拟，通过空洞卷积神经网络去扩大分类器的感受野，使得分类器预测结果时可以同时考虑多种干扰情况和多块肌肉的激活情况。本发明提出的肌电模式识别方法与传统线性判别分析方法相比，在干扰情况下的分类准确度具有显著提升。本发明的提出为鲁棒肌电控制提供了有益的解决方案。
在上述实施例的基础上，本发明实施例提供了一种肌电控制装置，参见图4，包括：
采集单元10，用于采集肌电信号；
预处理单元20，用于对所述肌电信号进行预处理，得到与所述肌电信号相匹配的特征图像；
输入单元30，用于将所述特征图像输入至预创建的分类器模型，得到所述分类器模型输出的与所述肌电信号对应的手势类别，其中，所述分类器模型是基于目标训练样本训练得到的神经网络模型，所述目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集；
控制单元40，用于基于所述手势类别控制目标设备完成与所述手势类别匹配的操作。
可选地，所述装置还包括：
创建单元，用于通过采集到的肌电信号创建分类器模型，所述创建单元包括：
采集子单元，用于采集目标运动指令的肌电信号，并依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，记为初始样本；
处理子单元，用于对所述初始样本进行图像处理，得到目标特征图像；
组合子单元，用于将所述初始样本与所述目标特征图像进行组合，得到目标样本；
训练子单元，用于利用所述目标样本对初始分类器进行训练，得到分类器模型，所述初始分类器为预先构建基于空洞卷积神经网络的模型。
可选地，所述采集子单元包括：
第一分割子单元，用于对所述肌电信号进行信号窗分割，得到信号窗；
第二分割子单元，用于对所述信号窗进行活动段分割，得到活动段的信号窗；
特征提取子单元，用于对所述活动端的信号窗进行特征提取，将提取后的特征转换为矩阵，将得到的转换矩阵确定为特征图像。
可选地，所述处理子单元具体用于：
对所述特征图像进行滤波处理，得到滤波后的特征图像；
将所述滤波后的特征图像进行插值处理，得到处理后的特征图像；
对处理后的特征图像进行数据增强处理，得到目标特征图像。
可选地，所述装置还包括：
测试子单元，用于利用目标测试数据对训练得到的分类器进行测试，得到测试数据，所述测试数据为引入电极偏移干扰的肌电信号对应的特征图像。
本发明提供了一种肌电控制装置，采集单元采集肌电信号；预处理单元对肌电信号进行预处理，得到与肌电信号相匹配的特征图像；输入单元将特征图像输入至预创建的分类器模型，得到分类器模型输出的与肌电信号对应的手势类别；控制单元基于手势类别控制目标设备完成与手势类别匹配的操作。本发明中分类器模型是基于目标训练样本训练得到的神经网络模型，目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集，由于该目标训练样本充分考虑了电极偏移、力度变化等情况，使得可以精准识别运动指令对应的手势类别，提升肌电控制的稳定性。
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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种肌电控制方法，其特征在于，所述方法包括：
采集肌电信号；
对所述肌电信号进行预处理，得到与所述肌电信号相匹配的特征图像；
将所述特征图像输入至预创建的分类器模型，得到所述分类器模型输出的与所述肌电信号对应的手势类别，其中，所述分类器模型是基于目标训练样本训练得到的神经网络模型，所述目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集；
基于所述手势类别控制目标设备完成与所述手势类别匹配的操作。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过采集到的肌电信号创建分类器模型，包括：
采集目标运动指令的肌电信号，并依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，记为初始样本；
对所述初始样本进行图像处理，得到目标特征图像；
将所述初始样本与所述目标特征图像进行组合，得到目标样本；
利用所述目标样本对初始分类器进行训练，得到分类器模型，所述初始分类器为预先构建基于空洞卷积神经网络的模型。
3.根据权利要求2所述的方法，其特征在于，所述依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，包括：
对所述肌电信号进行信号窗分割，得到信号窗；
对所述信号窗进行活动段分割，得到活动段的信号窗；
对所述活动端的信号窗进行特征提取，将提取后的特征转换为矩阵，将得到的转换矩阵确定为特征图像。
4.根据权利要求2所述的方法，其特征在于，所述对所述初始样本进行图像处理，得到目标特征图像，包括：
对所述特征图像进行滤波处理，得到滤波后的特征图像；
将所述滤波后的特征图像进行插值处理，得到处理后的特征图像；
对处理后的特征图像进行数据增强处理，得到目标特征图像。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
利用目标测试数据对训练得到的分类器进行测试，得到测试数据，所述测试数据为引入电极偏移干扰的肌电信号对应的特征图像。
6.一种肌电控制装置，其特征在于，所述装置包括：
采集单元，用于采集肌电信号；
预处理单元，用于对所述肌电信号进行预处理，得到与所述肌电信号相匹配的特征图像；
输入单元，用于将所述特征图像输入至预创建的分类器模型，得到所述分类器模型输出的与所述肌电信号对应的手势类别，其中，所述分类器模型是基于目标训练样本训练得到的神经网络模型，所述目标样本为针对特征图像进行滤波、插值和数据增强处理后得到的数据集；
控制单元，用于基于所述手势类别控制目标设备完成与所述手势类别匹配的操作。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
创建单元，用于通过采集到的肌电信号创建分类器模型，所述创建单元包括：
采集子单元，用于采集目标运动指令的肌电信号，并依据所述肌电信号进行预处理，得到与所述肌电信号对应的特征图像，记为初始样本；
处理子单元，用于对所述初始样本进行图像处理，得到目标特征图像；
组合子单元，用于将所述初始样本与所述目标特征图像进行组合，得到目标样本；
训练子单元，用于利用所述目标样本对初始分类器进行训练，得到分类器模型，所述初始分类器为预先构建基于空洞卷积神经网络的模型。
8.根据权利要求7所述的装置，其特征在于，所述采集子单元包括：
第一分割子单元，用于对所述肌电信号进行信号窗分割，得到信号窗；
第二分割子单元，用于对所述信号窗进行活动段分割，得到活动段的信号窗；
特征提取子单元，用于对所述活动端的信号窗进行特征提取，将提取后的特征转换为矩阵，将得到的转换矩阵确定为特征图像。
9.根据权利要求7所述的装置法，其特征在于，所述处理子单元具体用于：
对所述特征图像进行滤波处理，得到滤波后的特征图像；
将所述滤波后的特征图像进行插值处理，得到处理后的特征图像；
对处理后的特征图像进行数据增强处理，得到目标特征图像。
10.根据权利要求7所述的装置，其特征在于，所述装置还包括：
测试子单元，用于利用目标测试数据对训练得到的分类器进行测试，得到测试数据，所述测试数据为引入电极偏移干扰的肌电信号对应的特征图像。
CN202010668288.5A 2020-07-13 2020-07-13 一种肌电控制方法及装置 Pending CN111783719A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010668288.5A CN111783719A (zh) 2020-07-13 2020-07-13 一种肌电控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010668288.5A CN111783719A (zh) 2020-07-13 2020-07-13 一种肌电控制方法及装置

Publications (1)

Publication Number Publication Date
CN111783719A true CN111783719A (zh) 2020-10-16

Family

ID=72768136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010668288.5A Pending CN111783719A (zh) 2020-07-13 2020-07-13 一种肌电控制方法及装置

Country Status (1)

Country Link
CN (1) CN111783719A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113616395A (zh) * 2021-08-10 2021-11-09 长春理工大学 假肢控制方法、装置、假肢设备及计算机可读存储介质
WO2022012364A1 (zh) * 2020-07-15 2022-01-20 京东科技信息技术有限公司 肌电信号处理、外骨骼机器人控制方法及装置
CN118013308A (zh) * 2024-04-10 2024-05-10 中国科学院深圳先进技术研究院 基于自适应树的时空增强神经电脉冲信号聚类方法及系统
CN118013308B (zh) * 2024-04-10 2024-06-04 中国科学院深圳先进技术研究院 基于自适应树的时空增强神经电脉冲信号聚类方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105138134A (zh) * 2015-09-14 2015-12-09 李玮琛 肌电信号识别分段方法
CN106980367A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于肌电地形图的手势识别方法
CN107273798A (zh) * 2017-05-11 2017-10-20 华南理工大学 一种基于表面肌电信号的手势识别方法
WO2018233435A1 (zh) * 2017-06-20 2018-12-27 东南大学 一种基于主成分分析法的多维表面肌电信号假手控制方法
CN110141232A (zh) * 2019-06-11 2019-08-20 中国科学技术大学 用于鲁棒肌电信号识别的数据增强方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105138134A (zh) * 2015-09-14 2015-12-09 李玮琛 肌电信号识别分段方法
CN106980367A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于肌电地形图的手势识别方法
CN107273798A (zh) * 2017-05-11 2017-10-20 华南理工大学 一种基于表面肌电信号的手势识别方法
WO2018233435A1 (zh) * 2017-06-20 2018-12-27 东南大学 一种基于主成分分析法的多维表面肌电信号假手控制方法
CN110141232A (zh) * 2019-06-11 2019-08-20 中国科学技术大学 用于鲁棒肌电信号识别的数据增强方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHIYUAN L.等: "A Hand Gesture Recognition Framework and Wearable Gesture-Based Interaction Prototype for Mobile Devices", 《IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS》 *
廖国良: "《交互设计概论》", 31 August 2017, 武汉：华中科技大学出版社 *
杨宇 等: "基于表面肌电控制的虚拟人机交互系统", 《系统仿真学报》 *
翟光 著: "《空间目标相对导航与滤波技术》", 29 February 2020, 北京：北京理工大学出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022012364A1 (zh) * 2020-07-15 2022-01-20 京东科技信息技术有限公司 肌电信号处理、外骨骼机器人控制方法及装置
CN113616395A (zh) * 2021-08-10 2021-11-09 长春理工大学 假肢控制方法、装置、假肢设备及计算机可读存储介质
CN118013308A (zh) * 2024-04-10 2024-05-10 中国科学院深圳先进技术研究院 基于自适应树的时空增强神经电脉冲信号聚类方法及系统
CN118013308B (zh) * 2024-04-10 2024-06-04 中国科学院深圳先进技术研究院 基于自适应树的时空增强神经电脉冲信号聚类方法及系统

Similar Documents

Publication Publication Date Title
CN108491077B (zh) 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法
CN107203692B (zh) 基于深度卷积神经网络的心电数据数字信号处理方法
CN112861604B (zh) 一种与用户无关的肌电动作识别与控制方法
CN110333783B (zh) 一种用于鲁棒肌电控制的无关手势处理方法及系统
CN111553307B (zh) 一种融合生物电阻抗信息和肌电信息的手势识别系统
CN111657941B (zh) 基于肌肉核心激活区域的电极校正及肌电模式识别方法
CN110555468A (zh) 一种联合递归图和cnn的脑电信号识别方法及系统
CN110610172B (zh) 一种基于rnn-cnn架构的肌电手势识别方法
CN110495893B (zh) 一种运动意图连续脑肌电多层次动态融合识别系统及方法
CN112732092B (zh) 基于双视图多尺度卷积神经网络的表面肌电信号识别方法
CN111476161A (zh) 一种融合图像和生理信号双通道的体感动态手势识别方法
CN110141232B (zh) 用于鲁棒肌电信号识别的数据增强方法
CN109598219B (zh) 一种用于鲁棒肌电控制的自适应电极配准方法
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
Naik et al. Multi run ICA and surface EMG based signal processing system for recognising hand gestures
CN112603758A (zh) 一种基于sEMG与IMU信息融合的手势识别方法
CN111783719A (zh) 一种肌电控制方法及装置
CN113017645B (zh) 一种基于空洞卷积神经网络的p300信号检测方法
CN111401166A (zh) 基于肌电信息解码的鲁棒手势识别方法
Jo et al. Real-time hand gesture classification using crnn with scale average wavelet transform
CN113988135A (zh) 一种基于双分支多流网络的肌电信号手势识别方法
Montazerin et al. HYDRA-HGR: A hybrid transformer-based architecture for fusion of macroscopic and microscopic neural drive information
CN110738093B (zh) 基于改进小世界回声状态网络肌电的分类方法
CN113312994A (zh) 一种手势分类识别方法及其应用
Mendes et al. Subvocal speech recognition based on EMG signal using independent component analysis and neural network MLP

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

Application publication date: 20201016