CN112507881A - 一种基于时间卷积神经网络的sEMG信号分类方法及系统 - Google Patents
一种基于时间卷积神经网络的sEMG信号分类方法及系统 Download PDFInfo
- Publication number
- CN112507881A CN112507881A CN202011450141.5A CN202011450141A CN112507881A CN 112507881 A CN112507881 A CN 112507881A CN 202011450141 A CN202011450141 A CN 202011450141A CN 112507881 A CN112507881 A CN 112507881A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- module
- convolution
- semg
- 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
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于sEMG信号处理领域,具体涉及一种基于时间卷积神经网络的sEMG信号分类方法及系统,包括下列步骤:采集sEMG信号数据,构建原始数据集;将数据进行分割;向数据中添加高斯噪声,模拟不同环境下收集到的不同信噪比的信号数据;基于TCN网络构建,分为时间卷积层与全连接层;将构建好的数据集输入模型中,对模型参数进行训练,待到模型性能无法继续提升,停止训练;当模型的损失函数不再降低后,保存模型。本发明通过数据扩增等方式,极大地提高的EMG信号识别的泛化性能,并且通过深度学习方法,高速高精度的对EMG信号进行了分类,其识别过程完全智能化,无需人工参与。本发明用于sEMG信号的分类。
Description
技术领域
本发明属于sEMG信号处理领域,具体涉及一种基于时间卷积神经网络的sEMG信号分类方法及系统。
背景技术
目前的算法多采用较为传统的机器学习算法,其特征提取方式主要依赖人工特征工程,导致特征提取不全面,受人为因素影响较大,智能化程度低,识别效果较差,由于算法对特征提取单一,对sEMG信号无法进行全面的分析,难以反映其本质特征,其手势分类效果较差。
发明内容
针对上述传统的机器学习算法受人为因素影响较大、智能化程度低、识别效果较差的技术问题,本发明提供了一种识别效果好、智能化程度高、抗干扰能力强的基于时间卷积神经网络的sEMG信号分类方法及系统。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于时间卷积神经网络的sEMG信号分类方法,包括下列步骤:
S1、采集sEMG信号数据,对不同手势类别的信号进行标注,构建原始数据集;
S2、将数据进行分割,分别构建数据训练集、验证集与测试集;
S3、向数据中添加高斯噪声,模拟不同环境下收集到的不同信噪比的信号数据,同时通过加噪扩充数据量,提升模型鲁棒性与泛化能力;
S4、基于TCN网络构建,分为时间卷积层与全连接层,时间卷积层用于对sEMG信号进行特征提取,全连接层用于将提取到的特征进行计算之后分类;
S5、将构建好的数据集输入模型中,对模型参数进行训练,待到模型性能无法继续提升,停止训练;
S6、当模型的损失函数不再降低后,保存模型。
所述S1中采用ELONXI肌电采集仪进行sEMG信号数据的收集,将所有收集到的数据与其对应的手势标签进行保存。
所述S2中的训练集、验证集与测试集的数量比例为7:2:1。
所述S3中对训练集数据添加符合正态分布x~N(0,1)的噪声,即D′=αD,α∈{0.1,0.2,0.3},其中D为原始数据,D′为添加噪声后的数据,将添加噪声后的数据与原始数据混合并随机打乱。
所述S4的TCN网络构建中,处理8层卷积构成的模型卷积,前6层利用不同大小的膨胀卷积尺度,对sEMG信号进行充分的分析,7、8层使用1×1卷积将数据降维到1维,所述1×1卷积的步长为1,提取完成的特征进入全连接层,进行全连接计算,将计算结果使用softmax进行计算,得到分类结果输出,Softmax:其中ei表示全连接层输入的第i个类别的权重大小,j表示类别的数目,Si表示所分类数据是第i类的概率。
所述前6层利用不同大小的膨胀卷积尺度对sEMG信号进行充分分析的方法为:前2层卷积核大小为5×1,步长为2,3-6层卷积核大小为3×1,步长为1;前2层采用dilation=1的1D卷积,3、4层采用dilation=2的1D卷积,5、6层采用dilation=4的1D卷积。
一种基于时间卷积神经网络的sEMG信号分类系统,包括数据采集模块、数据划分模块、数据增强模块、TCN网络搭建模块、模型训练模块和保存模型模块,所述数据采集模块连接有数据划分模块,所述数据划分模块连接有数据增强模块,所述数据增强模块连接有TCN网络搭建模块,所述TCN网络搭建模块连接有模型训练模块,所述模型训练模块连接有保存模型模块。
本发明与现有技术相比,具有的有益效果是:
本发明通过数据扩增等方式,极大地提高的EMG信号识别的泛化性能,并且通过深度学习方法,高速高精度的对EMG信号进行了分类,其识别过程完全智能化,无需人工参与。本发明模型训练完成后,即可直接调用进行EMG识别,无需再次训练模型。
附图说明
图1为本发明的流程图;
图2为本发明的TCN网络搭建模块流程图。。
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。
一种基于时间卷积神经网络的sEMG信号分类方法,如图1所示,包括下列步骤:
步骤1、采集sEMG信号数据,对不同手势类别的信号进行标注,构建原始数据集。
步骤2、将数据进行分割,分别构建数据训练集、验证集与测试集。
步骤3、向数据中添加高斯噪声,模拟不同环境下收集到的不同信噪比的信号数据,同时通过加噪扩充数据量,提升模型鲁棒性与泛化能力。
步骤4、基于TCN网络构建,分为时间卷积层与全连接层,时间卷积层用于对sEMG信号进行特征提取,全连接层用于将提取到的特征进行计算之后分类。
步骤5、将构建好的数据集输入模型中,对模型参数进行训练,待到模型性能无法继续提升,停止训练。
步骤6、当模型的损失函数不再降低后,保存模型。
进一步,步骤1中采用ELONXI肌电采集仪进行sEMG信号数据的收集,将所有收集到的数据与其对应的手势标签进行保存。
进一步,步骤2中的训练集、验证集与测试集的数量比例为7:2:1。
进一步,步骤3中对训练集数据添加符合正态分布x~N(0,1)的噪声,即D′=αD,α∈{0.1,0.2,0.3},其中D为原始数据,D′为添加噪声后的数据,将添加噪声后的数据与原始数据混合并随机打乱。
进一步,如图2所示,步骤4的TCN网络构建中,处理8层卷积构成的模型卷积,前6层利用不同大小的膨胀卷积尺度,对sEMG信号进行充分的分析,7、8层使用1×1卷积将数据降维到1维,所述1×1卷积的步长为1,提取完成的特征进入全连接层,进行全连接计算,将计算结果使用softmax进行计算,得到分类结果输出,Softmax:其中ei表示全连接层输入的第i个类别的权重大小,j表示类别的数目,Si表示所分类数据是第i类的概率。
进一步,前6层利用不同大小的膨胀卷积尺度对sEMG信号进行充分分析的方法为:前2层卷积核大小为5×1,步长为2,3-6层卷积核大小为3×1,步长为1;前2层采用dilation=1的1D卷积,3、4层采用dilation=2的1D卷积,5、6层采用dilation=4的1D卷积。
一种基于时间卷积神经网络的sEMG信号分类系统,包括数据采集模块、数据划分模块、数据增强模块、TCN网络搭建模块、模型训练模块和保存模型模块,所述数据采集模块连接有数据划分模块,所述数据划分模块连接有数据增强模块,所述数据增强模块连接有TCN网络搭建模块,所述TCN网络搭建模块连接有模型训练模块,所述模型训练模块连接有保存模型模块。
上面仅对本发明的较佳实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化,各种变化均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于时间卷积神经网络的sEMG信号分类方法,其特征在于:包括下列步骤:
S1、采集sEMG信号数据,对不同手势类别的信号进行标注,构建原始数据集;
S2、将数据进行分割,分别构建数据训练集、验证集与测试集;
S3、向数据中添加高斯噪声,模拟不同环境下收集到的不同信噪比的信号数据,同时通过加噪扩充数据量,提升模型鲁棒性与泛化能力;
S4、基于TCN网络构建,分为时间卷积层与全连接层,时间卷积层用于对sEMG信号进行特征提取,全连接层用于将提取到的特征进行计算之后分类;
S5、将构建好的数据集输入模型中,对模型参数进行训练,待到模型性能无法继续提升,停止训练;
S6、当模型的损失函数不再降低后,保存模型。
2.根据权利要求1所述的一种基于时间卷积神经网络的sEMG信号分类方法,其特征在于:所述S1中采用ELONXI肌电采集仪进行sEMG信号数据的收集,将所有收集到的数据与其对应的手势标签进行保存。
3.根据权利要求1所述的一种基于时间卷积神经网络的sEMG信号分类方法,其特征在于:所述S2中的训练集、验证集与测试集的数量比例为7:2:1。
4.根据权利要求1所述的一种基于时间卷积神经网络的sEMG信号分类方法,其特征在于:所述S3中对训练集数据添加符合正态分布x~N(0,1)的噪声,即D′=αD,α∈{0.1,0.2,0.3},其中D为原始数据,D′为添加噪声后的数据,将添加噪声后的数据与原始数据混合并随机打乱。
6.根据权利要求5所述的一种基于时间卷积神经网络的sEMG信号分类方法,其特征在于:所述前6层利用不同大小的膨胀卷积尺度对sEMG信号进行充分分析的方法为:前2层卷积核大小为5×1,步长为2,3-6层卷积核大小为3×1,步长为1;前2层采用dilation=1的1D卷积,3、4层采用dilation=2的1D卷积,5、6层采用dilation=4的1D卷积。
7.一种基于时间卷积神经网络的sEMG信号分类系统,其特征在于:包括数据采集模块、数据划分模块、数据增强模块、TCN网络搭建模块、模型训练模块和保存模型模块,所述数据采集模块连接有数据划分模块,所述数据划分模块连接有数据增强模块,所述数据增强模块连接有TCN网络搭建模块,所述TCN网络搭建模块连接有模型训练模块,所述模型训练模块连接有保存模型模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011450141.5A CN112507881A (zh) | 2020-12-09 | 2020-12-09 | 一种基于时间卷积神经网络的sEMG信号分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011450141.5A CN112507881A (zh) | 2020-12-09 | 2020-12-09 | 一种基于时间卷积神经网络的sEMG信号分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507881A true CN112507881A (zh) | 2021-03-16 |
Family
ID=74971372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011450141.5A Pending CN112507881A (zh) | 2020-12-09 | 2020-12-09 | 一种基于时间卷积神经网络的sEMG信号分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507881A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607068A (zh) * | 2021-07-19 | 2021-11-05 | 华中科技大学 | 一种光声测量信号特征的识别模型建立方法及提取方法 |
CN113627401A (zh) * | 2021-10-12 | 2021-11-09 | 四川大学 | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658915A (zh) * | 2019-07-24 | 2020-01-07 | 浙江工业大学 | 一种基于双流网络的肌电信号手势识别方法 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
CN111209885A (zh) * | 2020-01-13 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种手势信息处理方法、装置、电子设备及存储介质 |
CN111325236A (zh) * | 2020-01-21 | 2020-06-23 | 南京大学 | 一种基于卷积神经网络的超声图像分类方法 |
CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
US20200310541A1 (en) * | 2019-03-29 | 2020-10-01 | Facebook Technologies, Llc | Systems and methods for control schemes based on neuromuscular data |
CN111860410A (zh) * | 2020-07-29 | 2020-10-30 | 南京邮电大学 | 基于多特征融合cnn的肌电手势识别方法 |
-
2020
- 2020-12-09 CN CN202011450141.5A patent/CN112507881A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200310541A1 (en) * | 2019-03-29 | 2020-10-01 | Facebook Technologies, Llc | Systems and methods for control schemes based on neuromuscular data |
CN110658915A (zh) * | 2019-07-24 | 2020-01-07 | 浙江工业大学 | 一种基于双流网络的肌电信号手势识别方法 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
CN111209885A (zh) * | 2020-01-13 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种手势信息处理方法、装置、电子设备及存储介质 |
CN111325236A (zh) * | 2020-01-21 | 2020-06-23 | 南京大学 | 一种基于卷积神经网络的超声图像分类方法 |
CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
CN111860410A (zh) * | 2020-07-29 | 2020-10-30 | 南京邮电大学 | 基于多特征融合cnn的肌电手势识别方法 |
Non-Patent Citations (3)
Title |
---|
PANAGIOTIS TSINGANOS等: "IMPROVED GESTURE RECOGNITION BASED ON sEMG SIGNALS AND TCN", 《ICASSP 2019-2019 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
李望: "多通道无线表面肌电采集的同步技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
阴庚雷等: "基于时间卷积网络的CSI动作识别", 《中原工学院学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607068A (zh) * | 2021-07-19 | 2021-11-05 | 华中科技大学 | 一种光声测量信号特征的识别模型建立方法及提取方法 |
CN113607068B (zh) * | 2021-07-19 | 2022-08-05 | 华中科技大学 | 一种光声测量信号特征的识别模型建立方法及提取方法 |
CN113627401A (zh) * | 2021-10-12 | 2021-11-09 | 四川大学 | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN110609477B (zh) | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 | |
CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
CN112507881A (zh) | 一种基于时间卷积神经网络的sEMG信号分类方法及系统 | |
CN114863937B (zh) | 基于深度迁移学习与XGBoost的混合鸟鸣识别方法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN116680358A (zh) | 一种基于双向图注意力网络的谣言检测方法与装置 | |
CN111368648A (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
CN114519293A (zh) | 基于小样本机器学习模型的电缆本体故障识别方法 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN116611580A (zh) | 一种基于多源数据与深度学习的海洋赤潮预测方法 | |
CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN114420151B (zh) | 基于并联张量分解卷积神经网络的语音情感识别方法 | |
CN116630989A (zh) | 智能电表可视故障检测方法、系统、电子设备及存储介质 | |
CN115511816A (zh) | 一种基于生成对抗网络的排水管道缺陷识别方法 | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN114936947A (zh) | 基于gadf-vgg16的高压直流输电线路故障诊断方法 | |
CN114826764A (zh) | 一种基于集成学习的边缘计算网络攻击识别方法及系统 |
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 |
Application publication date: 20210316 |
|
RJ01 | Rejection of invention patent application after publication |