CN113143261A - 基于肌电信号的身份识别系统、方法及设备 - Google Patents
基于肌电信号的身份识别系统、方法及设备 Download PDFInfo
- Publication number
- CN113143261A CN113143261A CN202110479335.6A CN202110479335A CN113143261A CN 113143261 A CN113143261 A CN 113143261A CN 202110479335 A CN202110479335 A CN 202110479335A CN 113143261 A CN113143261 A CN 113143261A
- Authority
- CN
- China
- Prior art keywords
- module
- denoising
- electromyographic
- signal
- filter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002787 reinforcement Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000000306 recurrent effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000002567 electromyography Methods 0.000 claims 2
- 238000001914 filtration Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000003205 muscle Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 210000000554 iris Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 208000021046 prostate intraepithelial neoplasia Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明属于生物特征识别算法技术领域，具体涉及了一种基于肌电信号的身份识别系统、方法及设备，旨在解决现有肌电信号去噪模型噪声去除鲁棒性较差，不能自适应调整的问题。本发明系统包括信号去噪模块，基于选定的滤波器组合，对输入的肌电信号进行去噪；所述选定的滤波器组合，基于预设的多个滤波器，通过循环神经网络，采用强化学习方法获取；特征提取模块，采用连续小波变换方法，将去噪后的肌电信号由离散的一维特征信号转变成二维的时频域图像；身份识别模块，基于所述二维的时频域图像，通过注意力机制的卷积神经网络获取身份识别信息。本发明提高了滤波去噪的鲁棒性和去噪效果，同时提升了识别率以及节约了计算资源。
Description
技术领域
本发明属于生物特征识别算法技术领域，具体涉及了一种基于肌电信号的身份识别系统、方法及设备。
背景技术
随着互联网的发展，个人信息的安全性越来越重要。因此，为了确保人们的信息安全，引入了各种各样的身份识别方法。传统的个人身份识别方法，如个人识别码(PIN)或识别标签(ID)，由于PIN/ID泄漏、盗窃和伪造的风险，不足以满足安全要求。然后，研究者们提出了利用人体独特的生理特征识别用户信息的生物识别技术，以消除传统识别方法的风险。目前，人脸，指纹，虹膜等形态学生物特征已被广泛应用于识别系统中。然而，这些生物特征模式也可以伪造和篡改。例如，人脸对人工伪装敏感，指纹很容易用乳胶重建，虹膜可以通过在隐形眼镜上打印其特征来伪造。来自日本横滨国立大学的研究人员制作了一个塑料模具，它起源于指纹读取器上留下的活指和手指痕迹，以欺骗指纹读取器。
生物识别的生物体特征如心电图(ECG)或脑电图(EEG)是一种实现活体检测和防止欺骗攻击的方法。有文献指出研究了使用从休息期间记录的ECG中特征提取的人体识别系统，识别的准确性为100％。也存在文献研究证实，EEG携带的个人特定信息可以成功地用于识别和认证。然而，收集ECG或EEG信号是不方便的。
肌电图(EMG)信号也可用于个人识别系统。它是由神经系统控制并依赖于肌肉的解剖学和生理特征的复杂信号。由于完整的肌肉，完整的中枢神经系统和大脑之间的直接联系是个体的，并且与每个人的生理学直接相关，因此EMG信号是独特的、稳定的并且难以伪造和篡改。因此，可以使用EMG信号进行个人识别。除此之外，EMG信号的采集比ECG或EEG更简单方便，因为EMG的采集装置可以佩戴在手臂或腿上或身体的任何其他部位。目前，关于基于EMG信号的识别的研究很少。研究者们通过使用来自下肢肌肉的肌电信号分析步态习惯，提出了一种个人识别方法。该实验获得了93％的平均识别准确度。另外也有采用人工神经网络算法处理通过电极获取的肌电信号来开展身份识别实验，该实验获得了81.6％的识别精度。前者的识别方法在适用人群中具有局限性，例如腿或脚不方便的残疾人可能不适用。后者采用的人工神经网络算法进行身份识别，获得的识别精度不高。然而这些研究都是基于假设采集的信号理想的情况下，忽略掉肌电信号获取过程中噪声引入形成误差信号，在这种情况下会影响识别率。此外，随着识别人群的壮大，计算资源也应当纳入考虑之中。
总结来说，目前现有的基于肌电信号的身份识别的算法处理系统还不完善，研究者们侧重的点仅仅在于基于肌电身份识别的识别率，而忽略掉从获取肌电信号的采集过程中噪声的引入、计算资源的节约。因此，本发明提出了一整套算法处理系统，既保障了识别率又节约计算资源。
发明内容
为了解决现有技术中的上述问题，即现有肌电信号去噪模型噪声去除鲁棒性较差，不能自适应调整的问题，本发明提供了一种基于肌电信号的身份识别系统，该身份识别系统包括信号去噪模块、特征提取模块以及身份识别模块；
所述信号去噪模块，基于选定的滤波器组合，对输入的肌电信号进行去噪；所述选定的滤波器组合，基于预设的多个滤波器，通过循环神经网络，采用强化学习方法获取；
所述特征提取模块，采用连续小波变换方法，将去噪后的肌电信号由离散的一维特征信号转变成二维的时频域图像；
所述身份识别模块，基于所述二维的时频域图像，通过注意力机制的卷积神经网络获取身份识别信息。
在一些优选的实施方式中，所述信号去噪模块中选定的滤波器组合，通过滤波器生成模块获取；所述滤波器生成模块包括搜索空间单元、搜索器模块、强化学习单元；
所述搜索空间单元存储有预设的多个滤波器；
所述搜索器模块基于神经网络构建，用于基于所述搜索空间单元中的滤波器获取选定的滤波器组合；
所述强化学习单元，采用强化学习的方法，基于所述搜索器模块每一次获取的滤波器组合的去噪效果值，对所述搜索器模块的权重值进行优化。
在一些优选的实施方式中，所述搜索空间单元的滤波器包括多个预设参数的高斯滤波器和多个预设参数的维纳滤波器。
在一些优选的实施方式中，所述选定的滤波器组合为一个或多个高斯滤波器的组合，或
一个或多个维纳滤波器的组合，或
一个或多个高斯滤波器、一个或多个维纳滤波器的组合。
在一些优选的实施方式中，所述强化学习单元所采用的损失函数的梯度为
其中，m是样本数，T表示滤波器组合的长度，θc为搜索器模块权重，at表示t时刻输出的滤波器组合，Rk表示第k个滤波器组合的测试效果，P(at|a(t-1)：1；θc)表示t时刻选择滤波器组合at的概率。
在一些优选的实施方式中，所述特征提取模块中连续小波变换的计算公式为：
其中，CWTW(a，b)为连续小波变换函数，
表示小波母函数Ψ(t)的共轭，a为尺度因子，b为平移因子，x(t)为待变换的原始信号。
在一些优选的实施方式中，该身份识别系统还包括信号采集模块为具有肌电信号采集功能的手环。
本发明的第二方面，提出了一种基于肌电信号的身份识别方法，该身份识别方法包括以下步骤：
基于选定的滤波器组合，对输入的肌电信号进行去噪；所述选定的滤波器组合，基于预设的多个滤波器，通过循环神经网络，采用强化学习方法获取；
采用连续小波变换方法，将去噪后的肌电信号由离散的一维特征信号转变成二维的时频域图像；
基于所述二维的时频域图像，通过注意力机制的卷积神经网络获取身份识别信息。
本发明的第三方面，提出了一种设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于肌电信号的身份识别方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于肌电信号的身份识别方法。
本发明的有益效果：
本发明采用机器学习方法对预设的多个滤波器进行超参数的选择，利用选定的滤波器组合对采集得到的肌电信号进行去噪，可以实现滤波器参数的自动调整，摆脱了人工调参的困境，提高了滤波去噪的鲁棒性和去噪效果；原始的肌电信号在经过去噪步骤后再经过连续小波变换(CWT)变成时频图送入识别神经网络，这些操作使得加入注意力机制(attention)的卷积神经网络(CNN)降低了噪声信息的干扰，保留了肌电信号的特征，从而提升了识别率以及节约了计算资源。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明一种实施例的基于肌电信号的身份识别系统结构示意图；
图2是本发明一种实施例中信号去噪模块的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于肌电信号的身份识别系统，该身份识别系统如图1所示，包括信号去噪模块、特征提取模块以及身份识别模块；
所述信号去噪模块，基于选定的滤波器组合，对输入的肌电信号进行去噪；所述选定的滤波器组合，基于预设的多个滤波器，通过循环神经网络，采用强化学习方法获取；
所述特征提取模块，采用连续小波变换方法，将去噪后的肌电信号由离散的一维特征信号转变成二维的时频域图像；
所述身份识别模块，基于所述二维的时频域图像，通过注意力机制的卷积神经网络获取身份识别信息。
为了更清晰地对本发明进行说明，下面结合附图对本发明实施例展开详述。
本发明第一实施例的基于肌电信号的身份识别系统，包括信号去噪模块、特征提取模块以及身份识别模块。在一些实施例中，还包括用于采集肌电信号的手环，为了便于描述，下面将手环和信号去噪模块的组合作为肌电信号采集模块。
本实施例中肌电信号的采集采用Thalmic实验室研制的MYO手环，MYO手环的8个电极记录下实验者在做手势活动(比如握拳手势、手掌张开手势等)激发的肌肉活动信号，通过蓝牙串口将采集到的原始肌电信号传输到PC端，以文件的形式保存下来。采集到的原始肌电信号中可能掺杂着噪声，所以需要对采集到的原始肌电信号进行去噪；采用自动化去噪网络能够自动寻找出最优的滤波器组合，达到满意的去噪效果，解除了人工调参的困境；去噪后的肌电信号采用连续小波变换方法进行特征提取，该过程将一维的离散肌电信号转变成二维的时频图像；最后将转变好的时频图像输入到神经网络识别模块中的加入注意力机制(attention)的卷积神经网络中，完成特征到身份的映射。
通过MYO手环表面的8个电极对被测人员的肌电信号进行信号采集；实验者在看到指令后做出手势握拳的动作，时间持续2s，重复动作N次。MYO手环的采样率为200Hz/s，即每个样本数据为200x2x8，每个实验者则有N个样本。
信号去噪模块是针对MYO采集到的原始肌电数据进行去噪。信号去噪模块中选定的滤波器组合，通过滤波器生成模块获取；所述滤波器生成模块如图2所示，包括搜索空间单元、搜索器模块、强化学习单元。
搜索空间单元存储有预设的多个滤波器，本实施例中包括多个预设参数的高斯滤波器和多个预设参数的维纳滤波器。维纳滤波器属于时域滤波器，特点是将信号与噪声在时域上进行分离；而高斯滤波属于频域滤波器，特点是将信号与噪声在频域上进行分离；因此高斯滤波和维纳滤波的结合既可以在时域上消除噪声又能在频域上消除噪声。
搜索器模块基于循环神经网络(RNN)构建，用于基于所述搜索空间单元中的滤波器获取选定的滤波器组合A(滤波器组合A可以为一个或多个高斯滤波器，还可以为一个或多个维纳滤波器，还可以为一个或多个高斯滤波器、一个或多个维纳滤波器构成的组合)，基于含噪声的肌电信号的训练样本，可以获得表征滤波器组合A滤波效果好坏的测试效果，即滤波效果评估值R，如
表示评估去燥后的像素与干净的图像像素之间的滤波效果，其中，xi表示噪声图像x去噪之前的图像中第i个像素点，f(xi)表示xi去噪之后的图像，yi表示干净无噪声图像y中第i个像素点，n为一张图像所有像素点。
强化学习单元，基于去噪滤波器组合A的滤波效果评估值R，优化搜索器模块的RNN网络参数。
RNN网络参数的更新方式如下：把搜索器模块中每一步输出的结果看作是强化学习中的行动，对应的状态就搜索器到第t步为止生成的去噪滤波器组合。该强化学习问题在一个轨迹结束之后会给出该去噪结构对应的误差信号的损失，这样就可以使用强化学习方法来更新RNN搜索器权重，如公式(1)所示为损失函数的梯度：
其中，m是样本数，T表示滤波器组合的长度(即滤波器组合中滤波器的个数)，θc为搜索器模块权重，at表示t时刻输出的滤波器组合，Rk表示第k个滤波器组合的测试效果，P(at|a(t-1)：1；θc)表示t时刻选择滤波器at的概率。
特征提取模块采用连续小波变换(CWT)，用于将一维的离散肌电数据转变成二维时频图像；连续小波变换的计算公式如公式(2)所示：
其中，CWTW(a，b)为连续小波变换函数，Ψ(t)为小波母函数，一个在时间域和频率域都有连续性质的函数，
表示小波母函数的共轭，a为尺度因子，小尺度的变换包含信号的高频成分，大尺度的变换包含信号的低频成分，b为平移因子，它是关于时间的系数，决定了小波变换的时域信息，x(t)为待变换的原始信号。不同小波母函数和尺度因子会对后续身份识别模型的识别精度有影响，因此需要根据数据集的特征选择合适的小波母函数和尺度因子。通过使用连续小波变换法可以将一维的肌电信号离散数据变换为二维的图像数据，用来表征肌电信号的时频特征值。
身份识别模块由加入注意力机制(attention)的卷积神经网络(CNN)构建，卷积神经网络是在人工神经网络的基础上发展而来，其具有非常强大的表达能力，能表征特征到身份的映射；卷积神经网络主要由一个或多个卷积层和顶端的全连接层组成，同时也包括关联权重和池化层。卷积层是一组平行的特征图，它通过在输入图像上滑动不同的卷积核并运行一定的运算而组成。最大池化层是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值，它会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，在一定程度上也控制了过拟合。通常来说，卷积神经网络的卷积层之间都会周期性地插入池化层。为了节约计算资源，在卷积神经网络中加入注意力机制。
注意力机制模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制。本发明在将时频图输入进网络时，注意力机制会通过快速扫描全局图像，获得需要重点关注的目标区域。相比起简单的卷积神经网络(CNN)，Attention机制对输入的每个元素考虑不同的权重参数，从而更加关注与输入的元素相似的部分，而抑制其它无用的信息；此外，Attention机制最大的优势就是能一步到位的考虑全局联系和局部联系，且能并行化计算，这种并行计算方式减少了模型训练时间，节约了计算资源。
身份识别模块的网络结构在已公开的诸多文献中已有描述，此处不再赘述。
需要说明的是，上述实施例提供的基于肌电信号的身份识别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第二实施例的基于肌电信号的身份识别方法，该身份识别方法包括以下步骤：
基于输入的肌电信号，采用机器学习方法对预设的多个滤波器进行超参数的选择，得到选定的滤波器组合，并基于该选定的滤波器组合对输入的肌电信号进行去噪；
采用连续小波变换方法，将去噪后的肌电信号由离散的一维特征信号转变成二维的时频域图像；
基于所述二维的时频域图像，通过注意力机制的卷积神经网络获取身份识别信息。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的方法的具体工作过程及有关说明，可以参考前述系统实施例中的对应过程，在此不再赘述。
本发明第三实施例的一种设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于肌电信号的身份识别方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于肌电信号的身份识别方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于肌电信号的身份识别系统，其特征在于，该身份识别系统包括信号去噪模块、特征提取模块以及身份识别模块；
所述信号去噪模块，基于选定的滤波器组合，对输入的肌电信号进行去噪；所述选定的滤波器组合，基于预设的多个滤波器，通过循环神经网络，采用强化学习方法获取；
所述特征提取模块，采用连续小波变换方法，将去噪后的肌电信号由离散的一维特征信号转变成二维的时频域图像；
所述身份识别模块，基于所述二维的时频域图像，通过注意力机制的卷积神经网络获取身份识别信息。
2.根据权利要求1所述的基于肌电信号的身份识别系统，其特征在于，所述信号去噪模块中选定的滤波器组合，通过滤波器生成模块获取；所述滤波器生成模块包括搜索空间单元、搜索器模块、强化学习单元；
所述搜索空间单元存储有预设的多个滤波器；
所述搜索器模块基于神经网络构建，用于基于所述搜索空间单元中的滤波器获取选定的滤波器组合；
所述强化学习单元，采用强化学习的方法，基于所述搜索器模块每一次获取的滤波器组合的去噪效果值，对所述搜索器模块的权重值进行优化。
3.根据权利要求2所述的基于肌电信号的身份识别系统，其特征在于，所述搜索空间单元的滤波器包括多个预设参数的高斯滤波器和多个预设参数的维纳滤波器。
4.根据权利要求3所述的基于肌电信号的身份识别系统，其特征在于，所述选定的滤波器组合为一个或多个高斯滤波器的组合，或
一个或多个维纳滤波器的组合，或
一个或多个高斯滤波器、一个或多个维纳滤波器的组合。
5.根据权利要求4所述的基于肌电信号的身份识别系统，其特征在于，所述强化学习单元所采用的损失函数的梯度为
其中，m是样本数，T表示滤波器组合的长度，θc为搜索器模块权重，at表示t时刻输出的滤波器组合，Rk表示第k个滤波器组合的测试效果，P(at|a(t-1)：1；θc)表示t时刻选择滤波器at的概率。
6.根据权利要求1所述的基于肌电信号的身份识别系统，其特征在于，所述特征提取模块中连续小波变换的计算公式为：
其中，CWTW(a，b)为连续小波变换函数，
表示小波母函数Ψ(t)的共轭，a为尺度因子，b为平移因子，x(t)为待变换的原始信号。
7.根据权利要求1-6任一项所述的基于肌电信号的身份识别系统，其特征在于，该身份识别系统还包括信号采集模块为具有肌电信号采集功能的手环。
8.一种基于肌电信号的身份识别方法，其特征在于，该身份识别方法包括以下步骤：
基于选定的滤波器组合，对输入的肌电信号进行去噪；所述选定的滤波器组合，基于预设的多个滤波器，通过循环神经网络，采用强化学习方法获取；
采用连续小波变换方法，将去噪后的肌电信号由离散的一维特征信号转变成二维的时频域图像；
基于所述二维的时频域图像，通过注意力机制的卷积神经网络获取身份识别信息。
9.一种设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求8所述的基于肌电信号的身份识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求8所述的基于肌电信号的身份识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110479335.6A CN113143261B (zh) | 2021-04-30 | 2021-04-30 | 基于肌电信号的身份识别系统、方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110479335.6A CN113143261B (zh) | 2021-04-30 | 2021-04-30 | 基于肌电信号的身份识别系统、方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113143261A true CN113143261A (zh) | 2021-07-23 |
| CN113143261B CN113143261B (zh) | 2023-05-09 |
Family
ID=76873072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110479335.6A Active CN113143261B (zh) | 2021-04-30 | 2021-04-30 | 基于肌电信号的身份识别系统、方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113143261B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113628296A (zh) * | 2021-08-04 | 2021-11-09 | 中国科学院自动化研究所 | 一种从时频域信号到二维图像的磁粒子成像重建方法 |
| CN114504333A (zh) * | 2022-01-30 | 2022-05-17 | 天津大学 | 一种基于肌电的穿戴式前庭监测系统及应用 |
| CN114569143A (zh) * | 2022-03-03 | 2022-06-03 | 上海交通大学宁波人工智能研究院 | 一种基于注意力机制与多特征融合的肌电手势识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150045684A1 (en) * | 2012-08-12 | 2015-02-12 | David Schie | Heart rate extraction using neural wavelet adaptive gain control and neural pattern processing |
| 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 |
| CN108766434A (zh) * | 2018-05-11 | 2018-11-06 | 东北大学 | 一种手语识别翻译系统及方法 |
| CN109247923A (zh) * | 2018-11-15 | 2019-01-22 | 中国科学院自动化研究所 | 基于视频的非接触式脉搏实时估计方法及设备 |
| CN110811633A (zh) * | 2019-11-06 | 2020-02-21 | 中国科学院自动化研究所 | 基于肌电信号的身份识别方法、系统、装置 |
| CN112528804A (zh) * | 2020-12-02 | 2021-03-19 | 西安电子科技大学 | 基于生成对抗网络的肌电信号降噪和分类方法 |
-
2021
- 2021-04-30 CN CN202110479335.6A patent/CN113143261B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150045684A1 (en) * | 2012-08-12 | 2015-02-12 | David Schie | Heart rate extraction using neural wavelet adaptive gain control and neural pattern processing |
| 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 |
| CN108766434A (zh) * | 2018-05-11 | 2018-11-06 | 东北大学 | 一种手语识别翻译系统及方法 |
| CN109247923A (zh) * | 2018-11-15 | 2019-01-22 | 中国科学院自动化研究所 | 基于视频的非接触式脉搏实时估计方法及设备 |
| CN110811633A (zh) * | 2019-11-06 | 2020-02-21 | 中国科学院自动化研究所 | 基于肌电信号的身份识别方法、系统、装置 |
| CN112528804A (zh) * | 2020-12-02 | 2021-03-19 | 西安电子科技大学 | 基于生成对抗网络的肌电信号降噪和分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| DONGHUA LIU ET AL: "DAML: Dual Attention Mutual Learning between Ratings and Reviews for Item Recommendation", 《RESEARCH TRACK PAPER》 * |
| PENG XIA ET AL: "EMG-Based Estimation of Limb Movement Using Deep Learning With Recurrent Convolutional Neural Networks", 《ARTIFICIAL ORGANS》 * |
| SIQI BAI ET AL: "DL-RNN: An Accurate Indoor Localization Method via Double RNNs", 《IEEE SENSORS JOURNAL》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113628296A (zh) * | 2021-08-04 | 2021-11-09 | 中国科学院自动化研究所 | 一种从时频域信号到二维图像的磁粒子成像重建方法 |
| CN113628296B (zh) * | 2021-08-04 | 2023-12-15 | 中国科学院自动化研究所 | 一种从时频域信号到二维图像的磁粒子成像重建方法 |
| CN114504333A (zh) * | 2022-01-30 | 2022-05-17 | 天津大学 | 一种基于肌电的穿戴式前庭监测系统及应用 |
| CN114504333B (zh) * | 2022-01-30 | 2023-10-27 | 天津大学 | 一种基于肌电的穿戴式前庭监测系统及应用 |
| CN114569143A (zh) * | 2022-03-03 | 2022-06-03 | 上海交通大学宁波人工智能研究院 | 一种基于注意力机制与多特征融合的肌电手势识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113143261B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113143261B (zh) | 基于肌电信号的身份识别系统、方法及设备 | |
| WO2021143353A1 (zh) | 一种手势信息处理方法、装置、电子设备及存储介质 | |
| Zhao et al. | ECG authentication system design incorporating a convolutional neural network and generalized S-Transformation | |
| Khan et al. | Multiclass EEG motor-imagery classification with sub-band common spatial patterns | |
| Sadiq et al. | Exploiting pretrained CNN models for the development of an EEG-based robust BCI framework | |
| US9317761B2 (en) | Method and an apparatus for determining vein patterns from a colour image | |
| Zhang et al. | Finger vein image enhancement based on guided tri-Gaussian filters | |
| CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及系统 | |
| Shajil et al. | Multiclass classification of spatially filtered motor imagery EEG signals using convolutional neural network for BCI based applications | |
| CN110969108A (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
| CN110811633A (zh) | 基于肌电信号的身份识别方法、系统、装置 | |
| CN112656431A (zh) | 基于脑电的注意力识别方法、装置、终端设备和存储介质 | |
| Li et al. | EEG signal classification method based on feature priority analysis and CNN | |
| Yue et al. | Exploring BCI control in smart environments: intention recognition via EEG representation enhancement learning | |
| CN108182399B (zh) | 指静脉特征比对方法、装置、存储介质和处理器 | |
| Song et al. | Adaptive common spatial pattern for single-trial EEG classification in multisubject BCI | |
| Mahmoudi et al. | Multi-class EEG classification of motor imagery signal by finding optimal time segments and features using SNR-based mutual information | |
| Huang et al. | Robust multi-feature collective non-negative matrix factorization for ECG biometrics | |
| CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 | |
| Ghonchi et al. | Spatio-temporal deep learning for EEG-fNIRS brain computer interface | |
| CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| Jindal et al. | A novel EEG channel selection and classification methodology for multi‐class motor imagery‐based BCI system design | |
| Singh et al. | Dry contact fingertip ECG-based authentication system using time, frequency domain features and support vector machine | |
| CN111736690A (zh) | 基于贝叶斯网络结构辨识的运动想象脑机接口 | |
| Gupta et al. | Whale optimization algorithm fused with SVM to detect stress in EEG signals |
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 |