CN111985270A - 一种基于梯度提升树的sEMG信号最优通道选择方法 - Google Patents
一种基于梯度提升树的sEMG信号最优通道选择方法 Download PDFInfo
- Publication number
- CN111985270A CN111985270A CN201910427928.0A CN201910427928A CN111985270A CN 111985270 A CN111985270 A CN 111985270A CN 201910427928 A CN201910427928 A CN 201910427928A CN 111985270 A CN111985270 A CN 111985270A
- Authority
- CN
- China
- Prior art keywords
- semg
- gradient lifting
- channel
- lifting tree
- selection method
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 14
- 230000009471 action Effects 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 18
- 210000003205 muscle Anatomy 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000003811 finger Anatomy 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000036982 action potential Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000004932 little finger Anatomy 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
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
- G06F2218/08—Feature extraction
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (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梯度提升树的sEMG信号最优通道选择方法,在驱动形成待识别动作的每一组肌肉处,粘贴若干电极,采集每个电极通道的sEMG信号,添加标签,对添加标签后的sEMG信号进行滤波预处理;对滤波预处理后的sEMG信号进行特征值提取,得到特征向量;训练第一梯度提升树模型,生成新特征值;将特征向量与新特征值组合,生成组合特征;训练第二梯度提升树模型,输出待识别动作的识别正确率,得到识别正确率序列,其中正确率最高的通道组合即为最优通道组合。本发明可以减少sEMG采集过程中过多的噪声引入,保证系统的鲁棒性;去除无用数据、冗余数据,从而降低数据处理周期,避免数据堆积导致的时间延时,保证系统的实时性。
Description
技术领域
本发明涉及生物信号识别技术领域,具体地说是一种基于梯度提升树的sEMG信号最优通道选择方法。
背景技术
人体表面肌电(sEMG,surface electromyography)信号是肌肉收缩时多个活跃运动单元发出的动作电位序列经由脂肪组织容积滤波后,在皮肤表面叠加的结果,它直接反映人体的运动意图。基于sEMG的动作识别是人机交互的重要组成部分,已经被广泛应用于康复外骨骼机器人、智能假肢、游戏娱乐等各个领域。
基于sEMG识别进行人机交互时,主要流程包括:
(1)根据待识别的动作类型,依据人体解剖学的肌肉位置,大致确定sEMG信号采集电极的粘贴位置;
(2)粘贴采集电极,对采集到的sEMG信号进行滤波、标签修正等预处理操作,并提取相关的特征值构成特征向量;
(3)选择合适的算法模型,利用采集到的特征向量对其进行训练,获得离线分类模型,并评估测试集正确率和在线实时控制时的控制精度;
(4)再次进行在线实验时,在步骤1所选肌肉位置处重新粘贴电极,利用步骤3训练获得的离线分类模型进行测试,并将结果转化为相应的动作指令控制机器人完成指定动作。
基于sEMG进行动作识别时,除了选择更好的特征值与更合适分类算法外,选择适合的通道个数与适当的电极粘贴位置也会对识别正确率产生较大的影响。在基于sEMG信号的机器人控制中,为了提高动作识别率,往往需要粘贴较多的电极以增加数据量,然而较多的电极意味着需要花费更多的时间进行电极的粘贴与位置调整,甚至可能会引入更多的噪声。另外,对于待识别的动作类别而言,有些肌肉位置处采集到的sEMG信号包含的有用信息并不多,或者不同通道间的数据类似而造成的信息的冗余。
发明内容
针对现有技术的不足,本发明提供一种基于梯度提升树的sEMG信号最优通道选择方法,解决sEMG的动作识别中粘贴电极较多而引起的通道冗余问题。
本发明为实现上述目的所采用的技术方案是:
一种基于梯度提升树的sEMG信号最优通道选择方法,包括以下步骤:
步骤1:在驱动形成待识别动作的每一组肌肉处,粘贴若干电极,采集每个电极通道的sEMG信号,对采集到的sEMG信号添加标签,并对添加标签后的sEMG信号进行滤波预处理;
步骤2:对滤波预处理后的sEMG信号进行特征值提取,得到特征向量;
步骤3:利用特征向量训练第一梯度提升树模型,生成新特征值;
步骤4:将步骤2中得到的特征向量与步骤3中生成的新特征值组合,生成组合特征;
步骤5:利用组合特征训练第二梯度提升树模型,输出待识别动作的识别正确率;
步骤6:对于每一种通道组合,执行步骤2~步骤5,直至遍历所有通道组合,得到识别正确率序列,其中正确率最高的通道组合即为最优通道组合。
所述粘贴电极的肌肉,是指形成待识别动作时,需要进行收缩进而驱动形成待识别动作的所有肌肉。
所述添加标签为:对于不同动作类别下采集到的sEMG信号,对应添加相应类别的标签,用于区分不同动作类别。
所述滤波预处理包括:使用限幅处理去除尖峰噪声,使用陷波器去除工频噪声以及使用巴特沃兹带通滤波器滤除sEMG信号中的高频噪声。
所述特征值提取为:对于通道组合中的某一通道,依次提取RMS、WL、ZC、SSC、MAV特征值,形成5维的特征向量。
所述新特征值的生成方法为:
步骤3.1:利用特征向量训练第一梯度提升树模型,不失一般性地,这里假设训练得到n棵CART回归树,且第1棵回归树有N1个叶子节点,第2棵回归树有N2个叶子节点,…,第n棵回归树有Nn个叶子节点;
步骤3.2:对于一个新的特征向量,假设它在第1棵回归树落在第1个叶子节点,则第1棵回归树得到的部分新特征值为表示为CART1;同理地,若该特征向量在第n棵回归树落在第Nn-1个叶子节点,则第n棵回归树得到的部分新特征值为表示为CARTn;
步骤3.3:根据该特征向量落在每一棵回归树的位置,得到一个新的特征值[CART1,CART2,...,CARTn],表示为CART,其维度为N1+N2+...+Nn。
所述组合特征的生成过程为:
将生成的新特征值添加于该通道原始的5维特征向量之后,形成6维的特征向量,即[RMS,WL,ZC,SSC,MAV,CART]。
本发明可以在基于sEMG的动作识别中,在保证分类正确率的前提下尽量减少通道个数,从而简化操作过程,降低电极的粘贴、调整等操作时间,提高系统的实用性;减少sEMG采集过程中过多的噪声引入,保证系统的鲁棒性;去除无用数据、冗余数据,从而降低数据处理周期,避免数据堆积导致的时间延时,保证系统的实时性。
附图说明
图1为本发明的方法流程图;
图2为实施例中待识别的手部动作类别图;
图3为实施例中sEMG电极粘贴位置示意图;
图4为标签修正预处理前后对比图;
图5为基于GBDT模型的新特征生成方法框图;
图6为各个通道数量下的最优通道组合及其识别正确率图;
图7为三名受试者识别正确率折线图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
如图1所示为本发明的方法流程图。
具体操作步骤包括:
(1)动作定义与sEMG信号的采集。确定待识别的动作类别,并根据人体解剖学大致确定肌肉位置,将sEMG信号采集电极粘贴于目标肌肉的肌腹处。
(2)遍历通道组合。根据电极通道个数,确定通道组合的个数以及组合方式,针对每一种组合进行下述数据处理操作。
(3)数据预处理与特征值提取。在某种通道组合方式下(假设通道个数为k),提取sEMG信号并进行陷波处理以去除工频噪声、带通滤波处理以滤除高频噪声、标签修正处理以保证不同动作类别下的数据准确度。提取RMS、WL、ZC、SSC、MAV特征值构成5*k维的特征向量。
(4)基于GBDT模型的新特征生成。利于获得的sEMG信号的特征向量训练GBDT模型,并生成新特征。
(5)利用组合特征训练GBDT分类模型,获得最优通道组合。将原始特征向量与新特征组合生成组合特征,再次训练GBDT模型用于分类。不同通道组合下分别进行测试获取到分类正确率,通过对比获得最优通道组合,即在线阶段使用的电极粘贴位置。
下面以手部动作识别时的最优通道生成为例。
一、动作定义与sEMG信号的采集
选择三名受试者,采集其右前臂处的sEMG信号,用于本实例中的方法说明。三名受试者均为健康男性,年龄22-28岁,身高168-182cm,体重68-81kg,采集sEMG数据前12个小时内没有剧烈运动。
这里选择识别的手部动作为伸掌、握拳、腕外展、腕内收、伸食指与中指、伸中指无名指与小指、伸拇指与食指、伸拇指与小指共8类,具体动作定义如图2所示。根据待识别的动作类型,依据人体解剖学选择的电极粘贴位置为前臂处的桡侧腕短伸肌、桡侧腕屈肌、肱桡肌、尺侧腕伸肌、指伸肌、指浅屈肌共6处,如图3所示。
使用肌电信号采集系统(Delsys,Trigno)采集sEMG信号,该设备具有16个sEMG无线采集传输通道,采样频率为2000Hz。在电极粘贴之前,用酒精擦拭皮肤表面,然后将6个电极依次粘贴于目标肌肉处,分别表示为C1、C2、C3、C4、C5、C6共计六个通道。
采集sEMG数据之前,告知受试者如下实验流程:为防止手部疲劳,每次的数据采集时间为6s,两次数据采集之间预留4s休息时间,即单次数据采集周期为10s;每个动作进行数据采集时,循环6个周期以增加训练分类模型时需要的数据量。动作1对应的sEMG信号采集完毕后,进行动作2的信号采集,如此直至8类手部动作的sEMG信号都采集完毕。
二、遍历通道组合
对每个受试者采集到的全部通道数据进行组合,其中单个通道、五个通道各有6种组合,两个通道、四个通道各有15种组合,三个通道有20种组合,六个通道只有一种组合,总共有63种通道组合。
采用GBDT算法对63种通道组合依次进行模型训练,得出各种组合情形下的手部动作识别率,从而对比获得最佳的通道组合。具体选择规则为:
其中n表示电极通道总数(这里为6),accuracyk,(k=1,2,...,n)表示k个通道组合下的最好识别率,ε表示阈值,一般取1-3%,即在减少通道数量时,保证动作分类准确率上的损失不超过3%。针对每一种通道组合的数据处理方法以及新特征生成方法下面进行详细阐述。
三、数据预处理与特征值提取
为了提高动作识别的正确率,需要对采集到的原始sEMG信号进行一系列的预处理操作。首先,采用IIR数字陷波器滤除50Hz工频噪声,然后采用10-500Hz的Butterworth带通滤波器保留sEMG信号的主要能量。
采集sEMG信号时,受试者根据图片引导依次做出相应的动作,由于存在反应时间差的原因,往往导致采集时添加的动作类别标签与真实动作类别不一致,即真实动作类别总是滞后于采集时标注的类别标签。这里提出一种最大面积法对标签进行修正,具体操作步骤如下:
(1)对6个通道的sEMG信号取绝对值然后求和,得到每一时刻采集到的总能量,即幅值的绝对值之和;
(2)从采集的0时刻开始,每隔0.5秒(1000个采样点)求出接下来5s(10000个采样点)内的能量和;
(3)求出每10s(20000个采样点)内的能量和最大值,即为每次从休息状态到动作状态的切换时刻的起始点;
(4)从每次切换时刻的起始点开始的5s(10000个采样点)内的数据作为当前时刻动作标签的对应数据,其余时刻的数据作为休息状态。
以伸掌与握拳为例,两个动作类别的标签修正结果如图4所示,其中,黑色虚线框表示采集sEMG时标注的原始标签,可以看出原始标签中相对于实际采集到的sEMG信号在时间上有明显的向前移位。黑色实线框表示修正后的数据标签,可以看出该方法可以对错误标签进行有效的修正,从而保证相应动作类别下数据的准确性,直接影响分类模型的精度。
本发明中选择提取的sEMG特征值为RMS(均方根),WL(波形长),ZC(零穿越次数),SSC(符号斜率变化次数),MAV(平均绝对值)。假设某个通道组合共使用k个通道,则肌电信号输入特征维度为5*k。
四、基于GBDT模型的新特征生成
在进行通道选择时,由于通道个数减少,获取到的总特征值的个数也会随之成比例的减少。因此,本发明中引入梯度提升树(GBDT,Gradient Boosting Decision Tree)算法,利用少量手动提取的特征自动生成大量新的隐含特征,能够在通道个数减少时保证总特征数的维度,从而保证动作识别的正确率。
GBDT是集成学习boosting家族的一员,采用重赋权值法迭代的训练基学习器,即对每一轮的训练数据样本赋予一个权重,并且每一轮样本的权重分布依赖上一轮的分类结果。GBDT算法构建新特征的基本思想是用已经提取到的特征值训练GBDT模型,然后利用该训练好的GBDT模型学习树来构建新特征。最后将构建的新特征与原有特征结合,再训练一个GBDT分类器用于判别动作类型。
利用GBDT算法构造新特征,并识别动作类型的流程如图5所示。这里假设第一个GBDT模型(GBDT1)训练好了两棵CART回归树,其中第一棵树有三个叶子节点,第二棵树有两个叶子节点。对于一个输入样本点,假设它在第一棵树最后落在其中的第二个叶子节点,而在第二棵树里最后落在其中的第一个叶子节点。那么通过该GBDT模型(GBDT1)获得的新特征向量为[0,1,0,1,0],其前三位对应第一棵树的三个叶子节点,后两位对应第二棵树的两个叶子节点。
在本文实验中,每个通道肌电信号提取了5个时域特征(RMS,WL,ZC,SSC,MAV),在遍历所有通道组合时,假设选择k个通道组合,则肌电信号输入特征维度为5k。在构造新特征的GBDT模型(GBDT1)中,训练12棵CART回归树用于构造新特征。为了防止叶子节点数过多而导致过拟合,需要在构建GBDT模型时对每棵树的叶子节点数做约束,根据动作类别数限定不多于8个叶子节点,最终构造的特征向量的维数是96。将新构造的特征与原有特征组合起来,得到5k+96维的组合特征向量,用该特征向量再训练一个GBDT模型(GBDT2)用于判别动作类型。为了防止过拟合,GBDT2模型使用200棵CART回归树,树的最大深度限制为7;每棵树的叶子节点数不超过12,内部节点再划分时所需最小样本数设置为2,每个叶子节点最少样本数为2,如果某个叶子节点样本数少于2个则采用剪枝处理。
五、最优通道生成与对比
各个通道数量下的最优通道组合及其识别正确率如图6所示,可以看出,受试者1(S1)表现最好的通道组合依次是C1、C36、C123、C3456、C12356;受试者2(S2)表现最好的通道组合依次是C6、C14、C123、C1234、C23456;受试者3(S3)表现最好的数量通道组合依次是C6、C15、C126、C1245、C12356。由此可见,对于相同的手部动作进行识别时,不同的受试者识别率最高的通道组合情形是不同的。依靠经验在几处肌肉位置粘贴电极进行手部动作识别不是完全可靠的,需要对不同的通道组合进行分析,从而选定合适的肌肉位置。
将三个受试者在每个通道数中最差识别正确率、最好识别正确率和平均识别正确率画成折线图,分别如图7(a)、图7(b)、图7(c)所示。尽管每个受试者在各个数量通道下表现最好的通道组合不同,但是都呈现出相同的规律:识别正确率的增长速度随着通道数量的增加而减小,到四个通道数量时识别率提高很少。
对于受试者1,两个通道的最好识别率明显高于三个通道的最差识别率,略高于三个通道的平均正确率和四个通道的最差识别率。三个通道的最好识别率略高于四个通道的平均识别率,四个通道的最好识别率与五个通道的最高识别率和六个通道的识别率几乎相同。由此可见,对于受试者1可以优先选择四个通道的最好识别正确率对应的C3456通道组合,或者选用三个通道的最好识别正确率对应的C123通道组合。同理分析,对于受试者2,可以选择使用C1234通道组合或C123通道组合;对于受试者3,可以选择使用C1245通道组合或C126通道组合。
Claims (8)
1.一种基于梯度提升树的sEMG信号最优通道选择方法,其特征在于,包括以下步骤:
步骤1:在驱动形成待识别动作的每一组肌肉处,粘贴若干电极,采集每个电极通道的sEMG信号,对采集到的sEMG信号添加标签,并对添加标签后的sEMG信号进行滤波预处理;
步骤2:对滤波预处理后的sEMG信号进行特征值提取,得到特征向量;
步骤3:利用特征向量训练第一梯度提升树模型,生成新特征值;
步骤4:将步骤2中得到的特征向量与步骤3中生成的新特征值组合,生成组合特征;
步骤5:利用组合特征训练第二梯度提升树模型,输出待识别动作的识别正确率;
步骤6:对于每一种通道组合,执行步骤2~步骤5,直至遍历所有通道组合,得到识别正确率序列,其中正确率最高的通道组合即为最优通道组合。
2.根据权利要求1所述的基于梯度提升树的sEMG信号最优通道选择方法,其特征在于:所述粘贴电极的肌肉,是指形成待识别动作时,需要进行收缩进而驱动形成待识别动作的所有肌肉。
3.根据权利要求1所述的基于梯度提升树的sEMG信号最优通道选择方法,其特征在于:所述添加标签为:对于不同动作类别下采集到的sEMG信号,对应添加相应类别的标签,用于区分不同动作类别。
4.根据权利要求1所述的基于梯度提升树的sEMG信号最优通道选择方法,其特征在于:所述滤波预处理包括:使用限幅处理去除尖峰噪声,使用陷波器去除工频噪声以及使用巴特沃兹带通滤波器滤除sEMG信号中的高频噪声。
5.根据权利要求1所述的基于梯度提升树的sEMG信号最优通道选择方法,其特征在于:所述特征值提取为:对于通道组合中的某一通道,依次提取RMS、WL、ZC、SSC、MAV特征值,形成5维的特征向量。
7.根据权利要求1所述的基于梯度提升树的sEMG信号最优通道选择方法,其特征在于:所述组合特征的生成过程为:
将生成的新特征值添加于该通道原始的5维特征向量之后,形成6维的特征向量,即[RMS,WL,ZC,SSC,MAV,CART]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427928.0A CN111985270B (zh) | 2019-05-22 | 2019-05-22 | 一种基于梯度提升树的sEMG信号最优通道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427928.0A CN111985270B (zh) | 2019-05-22 | 2019-05-22 | 一种基于梯度提升树的sEMG信号最优通道选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985270A true CN111985270A (zh) | 2020-11-24 |
CN111985270B CN111985270B (zh) | 2024-01-05 |
Family
ID=73436298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910427928.0A Active CN111985270B (zh) | 2019-05-22 | 2019-05-22 | 一种基于梯度提升树的sEMG信号最优通道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985270B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022151654A1 (zh) * | 2021-01-14 | 2022-07-21 | 新智数字科技有限公司 | 一种基于随机贪心算法的横向联邦梯度提升树优化方法 |
CN116132300A (zh) * | 2022-09-15 | 2023-05-16 | 电子科技大学 | 基于梯度提升决策树特征组合的链路识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160224803A1 (en) * | 2015-01-29 | 2016-08-04 | Affectomatics Ltd. | Privacy-guided disclosure of crowd-based scores computed based on measurements of affective response |
US20160360970A1 (en) * | 2015-06-14 | 2016-12-15 | Facense Ltd. | Wearable device for taking thermal and visual measurements from fixed relative positions |
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 |
CN109259739A (zh) * | 2018-11-16 | 2019-01-25 | 西安交通大学 | 一种手腕关节运动力矩的肌电估计方法 |
-
2019
- 2019-05-22 CN CN201910427928.0A patent/CN111985270B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160224803A1 (en) * | 2015-01-29 | 2016-08-04 | Affectomatics Ltd. | Privacy-guided disclosure of crowd-based scores computed based on measurements of affective response |
US20160360970A1 (en) * | 2015-06-14 | 2016-12-15 | Facense Ltd. | Wearable device for taking thermal and visual measurements from fixed relative positions |
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 |
CN109259739A (zh) * | 2018-11-16 | 2019-01-25 | 西安交通大学 | 一种手腕关节运动力矩的肌电估计方法 |
Non-Patent Citations (1)
Title |
---|
都明宇;王志恒;荀一;鲍官军;高峰;杨庆华;张立彬;: "基于多通道sEMG小波包分解特征的人手动作模式识别方法", 计算机测量与控制, no. 06 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022151654A1 (zh) * | 2021-01-14 | 2022-07-21 | 新智数字科技有限公司 | 一种基于随机贪心算法的横向联邦梯度提升树优化方法 |
CN116132300A (zh) * | 2022-09-15 | 2023-05-16 | 电子科技大学 | 基于梯度提升决策树特征组合的链路识别方法 |
CN116132300B (zh) * | 2022-09-15 | 2024-04-30 | 电子科技大学 | 基于梯度提升决策树特征组合的链路识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111985270B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sapsanis et al. | EMG based classification of basic hand movements based on time-frequency features | |
CN103440498A (zh) | 基于lda算法的表面肌电信号识别方法 | |
Huang et al. | Surface EMG decoding for hand gestures based on spectrogram and CNN-LSTM | |
CN112043473B (zh) | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 | |
CN111184512B (zh) | 一种脑卒中患者上肢及手部康复训练动作识别方法 | |
CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
CN110413107A (zh) | 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 | |
CN103955270A (zh) | 一种基于p300的脑机接口系统的字符高速输入方法 | |
CN111985270B (zh) | 一种基于梯度提升树的sEMG信号最优通道选择方法 | |
CN101371804A (zh) | 基于sEMG建立的人手姿态模式在线识别方法 | |
Koch et al. | Recurrent neural networks with weighting loss for early prediction of hand movements | |
CN113729738B (zh) | 一种多通道肌电特征图像的构建方法 | |
CN111401166A (zh) | 基于肌电信息解码的鲁棒手势识别方法 | |
Lin et al. | A normalisation approach improves the performance of inter-subject sEMG-based hand gesture recognition with a ConvNet | |
CN112232161B (zh) | 一种基于肌电映射模型切换的复杂运动连续估计方法 | |
CN112036357B (zh) | 一种基于表面肌电信号的上肢动作识别方法及系统 | |
Kan et al. | EMG pattern recognition based on particle swarm optimization and recurrent neural network | |
CN110738093B (zh) | 基于改进小世界回声状态网络肌电的分类方法 | |
CN114548165B (zh) | 一种可跨用户的肌电模式分类方法 | |
Goge et al. | Investigating classification parameters for continuous myoelectrically controlled prostheses | |
CN111973184B (zh) | 一种针对非理想sEMG信号的模型训练数据优化方法 | |
CN114098768A (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
CN111973388B (zh) | 一种基于sEMG的手部康复机器人控制方法 | |
CN114936583A (zh) | 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法 | |
CN114569143A (zh) | 一种基于注意力机制与多特征融合的肌电手势识别方法 |
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 |