CN114492537A - 一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备 - Google Patents

一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备 Download PDF

Info

Publication number
CN114492537A
CN114492537A CN202210138472.8A CN202210138472A CN114492537A CN 114492537 A CN114492537 A CN 114492537A CN 202210138472 A CN202210138472 A CN 202210138472A CN 114492537 A CN114492537 A CN 114492537A
Authority
CN
China
Prior art keywords
sample data
standard sample
channel
disturbance
electromyographic
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
CN202210138472.8A
Other languages
English (en)
Inventor
陈勋
薛博
吴乐
刘爱萍
张旭
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 CN202210138472.8A priority Critical patent/CN114492537A/zh
Publication of CN114492537A publication Critical patent/CN114492537A/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备，通过配置肌电信号的标准样本数据和施加扰动信号后的干扰样本数据以后，计算标准样本数据和干扰样本数据的通道特征，然后再基于所述通道特征对所述SVM分类器进行训练，使得分类器能够识别出施加扰动信号后的肌电信号，从而能够实现肌电控制系统中遭恶意攻击的异常信号的检测。

Description

一种肌电控制系统遭恶意攻击的异常信号检测方法和相关 设备
技术领域
本发明涉及信号处理技术领域，具体涉及一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备。
背景技术
肌电信号(Electromyograpy,简称EMG)是肌肉收缩时伴随的生物电信号，能够用来表征用户的运动状态或运动意图。当人体需要进行肌肉活动时，大脑将运动指令传输至中枢神经系统并通过激活相应的运动神经元来控制肌肉组织来获得所需的活动效果。由于表面肌电信号(Surface Electromyography，简称SEMG)可以采用表面电极获得，反映了运动关节活动强度和伸屈状态，以及手势完成过程中手的运动、形状、位置和朝向等信息，在手势识别方面具有独特优势。
肌电控制是一种使用表面肌电信号将运动或意图转化为操纵假体或其他外部机器人设备的命令的技术。肌电模式识别被认为是一项里程碑式的技术发展，能够控制多个自由度。实现肌电模式识别的方法大体可以分为传统方法和深度学习方法。近年来，深度学习方法已被证明可以更准确的识别手势。然而，深度学习方法，尤其是基于卷积神经网络(Convolutionalneuralnetwork，简称CNN)的手势识别方法易受到攻击，产生错误的分类。
发明内容
有鉴于此，本发明实施例提供一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备，以实现异常信号的识别。
为实现上述目的，本发明实施例提供如下技术方案：
一种肌电控制系统遭恶意攻击的异常信号检测方法，包括：
获取标准样本数据，所述标准样本数据为已知的手势动作对应的肌电信号；
采用预设攻击算法对所述标准样本数据施加扰动信号，记为干扰样本数据；
计算所述标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征；
采用所述标准样本数据、干扰样本数据各自对应的各个通道特征对SVM分类器进行训练，以使得所述SVM分类器能够过滤所述干扰样本数据。
可选的，上述肌电控制系统遭恶意攻击的异常信号检测方法中，所述采用预设攻击算法对所述标准样本数据施加扰动信号，包括：
通过基于DeepFool的通用对抗扰动攻击算法、基于生成网络的通用对抗扰动攻击算法和/或基于总损失最小化的通用对抗扰动攻击算法对所述标准样本数据施加扰动信号。
可选的，上述肌电控制系统遭恶意攻击的异常信号检测方法中，计算标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征，包括：
计算所述标准样本数据和干扰样本数据中各个通道与其相邻的其他通道之间的切比雪夫距离，将各个通道和与其相邻的其他通道之间的切比雪夫距离之和作为该通道的通道特征。
可选的，上述肌电控制系统遭恶意攻击的异常信号检测方法中，获取标准样本数据包括：
将采集到的M位不同受试者执行N种不同的动作时所产生肌电信号作为标准样本数据，所述M和N为不小于1的正整数。
可选的，上述肌电控制系统遭恶意攻击的异常信号检测方法中，将采集到的M位不同受试者执行N种不同的动作时所产生肌电信号作为标准样本数据，包括：
通过受试者采样点处的电极设备，采集M位受试者在连续执行N种不同的动作时的连续肌电信号和在静息状态下的肌电信号；
利用静息状态下的肌电信号对所述连续肌电信号进行分割，得到分割后的肌电样本数据，将所述分割后的肌电样本数据作为所述标准样本数据。
可选的，上述肌电控制系统遭恶意攻击的异常信号检测方法中，所述电极设备为行通道数为p，列通道数为q，密度为D的柔性高密度电极阵列，所述p和q的值均大于1，所述D的值大于0。
可选的，上述肌电控制系统遭恶意攻击的异常信号检测方法中，采用预设攻击算法对所述标准样本数据施加扰动信号时，所述干扰信号包括扰动信号和噪声，所述干扰信号的扰动幅度||v||p≤0.05。
一种肌电控制系统遭恶意攻击的异常信号检测装置，包括：
标准样本采集单元，用于获取标准样本数据，所述标准样本数据为已知的手势动作对应的肌电信号；
异常样本生成单元，用于采用预设攻击算法对所述标准样本数据施加扰动信号，记为干扰样本数据；
通道特征计算单元，用于计算所述标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征；
训练单元，用于采用所述标准样本数据、干扰样本数据各自对应的各个通道特征对SVM分类器进行训练，以使得所述SVM分类器能够过滤所述干扰样本数据。
一种电子设备，包括：包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上述任一项所述的肌电控制系统遭恶意攻击的异常信号检测方法的各个步骤。
一种分类器，所述分类器为采用上述任意一项所述的肌电控制系统遭恶意攻击的异常信号检测方法训练得到的SVM分类器。
基于上述技术方案，本发明实施例提供的上述方案，通过配置肌电信号的标准样本数据和施加扰动信号后的干扰样本数据以后，计算标准样本数据和干扰样本数据的通道特征，然后再基于所述通道特征对所述SVM分类器进行训练，使得分类器能够识别出施加扰动信号后的肌电信号，从而能够实现肌电控制系统中遭恶意攻击的异常信号的检测。
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为本申请实施例公开的肌电控制系统遭恶意攻击的异常信号检测方法的流程示意图；
图2为电极设备的结构示意图；
图3为手势分类网络的结构示意图；
图4为本申请实施例公开的肌电控制系统遭恶意攻击的异常信号检测装置的结构示意图；
图5为本申请实施例公开的一种电子设备的结构示意图。
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。
本申请公开了一种在通过深度学习网络基于肌电信号对手势进行预测时，控制分类器基于肌电信号的通道特征对肌电信号进行异常数据识别，基于识别结果判断该肌电信号是正常肌电信号还是受到干扰的肌电信号，从而实现了在手势预测过程中对遭恶意攻击的异常信号的检测。
参见图1，本申请公开了一种肌电控制系统遭恶意攻击的异常信号检测方法，参见图1，该方法可以包括：
步骤S101：获取标准样本数据，所述标准样本数据为已知的手势动作对应的肌电信号。
在本申请实施例公开的技术方案中，主要是通过对SVM分类器进行训练，以使得SVM分类器能够识别受到干扰的肌电信号。
本步骤中，所述标准样本数据指的是已经标定好对应的手势动作的肌电信号，其数量可以根据用户需求自行设定。
例如，动作A对应的肌电信号集、动作B对应的肌电信号集、动作C对应的肌电信号集，这些动作对应的肌电信号集中的肌电信号都可以作为标准样本数据来使用，这些数据用于作为正向数据对所述SVM分类器进行训练。
这些数据可以通过对多位受试者进行采集得到。例如，本步骤的标准样本数据的具体采集过程可以为：将采集到的M位不同受试者执行N种不同的动作时所产生肌电信号作为标准样本数据，所述N和N为不小于1的正整数。例如所述M可以为8，N可以为6，6种动作可以包括，食指伸展、中指伸展、小指伸展、食指和中指共同伸展，三个指共同伸展以及伸腕，每个动作均采集10次，每次保持中等力的等长收缩第一时长(可以为5秒)，且运动过程之间可以给予受试者充分的休息时间，在休息过程中，可以采集第一时长的静息状态下的肌电信号。在该过程中，肌电信号的采集由电极设备实现，电极设备固定于受试者的采样点处(例如，可以为前臂指伸肌群)，采集M位受试者在连续执行N种不同的动作时的连续肌电信号，所述连续肌电信号指的是，受试者在完成以后动作以后，再进行下一个动作，在该过程中产生的不间断的肌电信号，在获取到该连续肌电信号后再采集预设长度的M位受试者在静息状态下的肌电信号，所述静息状态下的肌电信号指的是用户不进行任何手势时，电极设备采集到的肌电信号。在利用静息状态下的肌电信号对所述连续肌电信号进行分割，得到分割后的肌电样本数据，此时分割后得到的肌电样本数据为用户在进行某个手势动作时所对应的肌电信号，将所述分割后的肌电样本数据作为所述标准样本数据。
其中，所述电极设备的结构类型如图2所示，电极设备上设置有呈正方形分布的肌电信号采集电极，在采集肌电信号时，需要使得电极设备上的采集电极与用户皮肤接触。所述电极设备的配置可以根据用户需求自行配置，其行通道数为p，列通道数为q，密度为D的柔性高密度电极阵列，所述p和q的值均大于1，所述D的值大于0。具体的，可以设置p＝10，q＝10，D＝7mm。
在本申请提供的具体的上述获取标准样本数据的具体过程中，采集一批手势动作的肌电信号后，对肌电信号进行预处理(预处理可以指的是差值处理、滤波处理等)，然后将肌电信号的活动段进行滑窗，选取静息状态下的肌电信号流构成的用于对进行肌电信号分割的分析窗，计算静息状态阈值为Th；利用静息状态阈值Th判断所有分析窗是否为肌肉收缩的活动段，如果是，则利用滑动窗技术，将连续肌电信号流分割为一定数量的分析窗，窗长为N，滑动增量为L；打上相应动作任务标签(例如握手、拍手等手势动作)并作为一个标准肌电样本数据，记其中任意一个肌电样本记为X∈RN×C,其中N代表采样点数，C代表电极的通道数，为了更好反映肌肉的空间信息，将肌电样本按电极阵列排布方式变换成
Figure BDA0003505454050000061
肌电图像的形式，其中Crow和Ccol分别代表肌电图像的高度和宽度，上述过程中静息状态阈值Th可以由静息状态下采集到的肌电样本数据中所有通道肌电信号的平均值加上三倍的标准差而得，N＝256ms，L＝128ms，并且，为了方便后续处理以及计算通用对抗扰动，可以对得到的肌电样本数据进行归一化处理。
步骤S102：采用预设攻击算法对所述标准样本数据施加扰动信号，记为干扰样本数据。
在本步骤中，可以采用预先配置好的攻击算法对所述标准样本数据进行攻击，从而为所述标准样本数据施加扰动信号。
在本方案中所述攻击算法的类型可以根据用户需求进行配置，例如，在本方案中，所述攻击算法可以包括但不限于基于DeepFool的通用对抗扰动攻击算法(DeepFool-baseduniversal adversarial perturbation,DF-based UAP)，基于生成网络的通用对抗扰动攻击算法(Generative model-based universal adversarial perturbation,GM-basedUAP)，基于总损失最小化的通用对抗扰动攻击算法(Total loss minimization-baseduniversal adversarial perturbation，TLM-based UAP)，此时，所述采用预设攻击算法对所述标准样本数据施加扰动信号，包括：通过基于DeepFool的通用对抗扰动攻击算法、基于生成网络的通用对抗扰动攻击算法和/或基于总损失最小化的通用对抗扰动攻击算法对所述标准样本数据施加扰动信号。
在采用攻击算法施加干扰信号时，基于DeepFool的通用对抗扰动攻击算法主要是基于计算使样本类别发生改变的最小扰动，对于二分类问题，决策面函数定义为f(x)＝wTx+b,最小扰动可以通过公式
Figure BDA0003505454050000062
计算，对于多分类问题，需要样本点遍历到各分界面的距离，然后比较得到最小的距离，即为要达到的干扰值。基于生成网络的通用对抗扰动攻击算法使用一个生成对抗网络来学习扰动的整体分布，通过输入一个从正态分布中采样的随机噪声，来对应输出一个通用对抗扰动，网络优化的损失函数设计为
Figure BDA0003505454050000071
其中c0代表真实类别,κ代表置信度阈值。当预测类别是除真实类别的第二个可能类别时，总损失将达到最小。基于总损失最小化的通用对抗扰动攻击算法通过使网络损失增大，使模型分类错误，来达到攻击效果的，网络优化的损失函数设计为
Figure BDA0003505454050000072
其中l(x+v，y)代表损失函数，y代表样本x的标签，C(x，v)代表对于扰动v的限制，α为正则化系数。l(x，y)设计为log(py(x)),来最小化真实类别的可能性。在训练模型时，可以预先通过对抗模型分别通过三种攻击算法产生通用对抗扰动，再在所述对抗模型中输入标准肌电样本数据，使得对抗模型生成与所述标准样本数据对应的三种通用对抗扰动DF-basedUAP，GM-based UAP，TLM-based UAP。
进一步的，具体实施中，为了使得扰动不容易被发现，可以通过将限制扰动幅度为||v||p≤0.05，同时采用加入同样大小的随机噪声的方式作为对比实验，因为如果随机噪声就能大幅度降低手势分类网络(所述手势分类网络为基于卷积神经网络设计的手势分类网络)的分类性能，就没必要设计扰动了。在标准样本数据上分别加入噪声和上述三种扰动v(DF-based UAP，GM-based UAP，TLM-based UAP)，然后输入至手势分类网络中，手势分类网络就可以输出对加入扰动后的标准样本数据(干扰样本数据)的肌电样本的预测结果；经验证，在未进行异常信号检测之前，手势分类网络对标准肌电数据，加入随机噪声后的标准肌电数据，加入DF-based UAP后的标准肌电数据，加入GM-based UAP后的标准肌电数据，加入TLM-based UAP后的标准肌电数据的识别准确率分别为90.80％，79.28％，36.67％，51.43％和14.72％。可以看出再加入通用对抗扰动后，网络的分类能力会大幅度下降，而加入随机噪声则不会。因此精心设计的通用对抗扰动可能会使基于卷积神经网络的手势分类网络丧失分类能力，这会给肌电控制系统带来巨大的安全隐患，因此，在输入到手势分类网络之前，使得肌电控制系统能够识别出加入扰动的肌电信号是当下所必须要解决的技术问题之一。
步骤S103：计算所述标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征。
为了使得所述SVM分类器能够精准识别加入扰动信号的干扰样本数据，在本方案中，需要基于所述标准样本数据和干扰样本数据中的各个通道的通道特征对所述SVM分类器进行训练。
在本方案所述通道特征，可以指的是各个通道对应的切比雪夫距离之和，即，在计算通道特征时，计算所述标准样本数据和干扰样本数据中各个通道与其相邻的其他通道之间的切比雪夫距离，将各个通道和与其相邻的其他通道之间的切比雪夫距离之和作为该通道的通道特征。
在这里，所述标准样本数据和干扰样本数据的数据形式可以为：
Figure BDA0003505454050000081
针对每一个通道的肌电信号，计算该通道和与其相邻的其他各个通道的切比雪夫距离，比如对于通道xp，q(t)，计算max|xp，q(t)-xp-1，q-1(t)|,max|xp，q(t)-xp-1，q(t)|，max|xp，q(t)-xp-1，q+1(t)|，max|xp，q(t)-xp，q-1(t)|，max|xp，q(t)-xp，q+1(t)|，max|xp，q(t)-xp+1，q-1(t)|，max|xp，q(t)-xp+1，q(t)|，max|xp，q(t)-xp+1，q+1(t)|。然后把每个通道和与相邻通道所有的切比雪夫距离加起来求和作为该通道的通道特征。
在上述方案中，如果所需计算通道特征的元素位于所述标准样本数据和干扰样本数据的数据矩阵中的顶点位置，则需要计算其与相邻的3个通道的切比雪夫距离，如果位于数据矩阵边缘非顶点位置，则需要计算其与相邻的5个通道的切比雪夫距离，对于其他位置的通道而言，则需要计算其与相邻的8个通道的切比雪夫距离。
步骤S104：采用所述干扰样本数据以及各自对应的各个通道特征对SVM分类器进行训练，以使得所述SVM分类器能够过滤所述干扰样本数据。
在步骤S104中，计算所述标准样本数据和干扰样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征以后，采用所述标准样本数据、干扰样本数据各自对应的各个通道特征对SVM分类器进行训练，其中SVM分类器选择带有RBF核的SVM，训练集中包含的标准样本数据、干扰样本数据，比例可以为1：1，其中标准样本数据被打标签为0，干扰样本数据被打标签为1。在本方案中，为了加速训练过程，干扰样本数据可以是通过加上TLM-based UAP产生的，因为产生这种干扰速度快并且训练时间短，测试集中包含标准样本数据和由三种不同通用对抗扰动产生的干扰样本数据。通过所述标准样本数据、干扰样本数据各自对应的各个通道特征对SVM分类器进行训练后，可以使得所述SVM分类器精准识别出干扰样本数据，利用训练好的SVM分类器可以对测试集中样本进行分类，检测干扰样本数据。检测方法的指标采用检测率，定义为正确检测的样本数目/总样本数目。
在本方案中，通过配置肌电信号的标准样本数据和施加扰动信号后的干扰样本数据以后，计算标准样本数据和干扰样本数据的通道特征，然后再基于所述通道特征对所述SVM分类器进行训练，使得分类器能够识别出施加扰动信号后的肌电信号，从而能够实现肌电控制系统中遭恶意攻击的异常信号的检测。
在对SVM分类器进行训练时，可以将标准样本数据和干扰样本数据中各个通道的通道特征作为所述SVM分类器的输入数据，SVM分类器对所述标准样本数据和干扰样本数据中各个通道的通道特征进行分析后，输出对应的标签0和1，通过不断向所述SVM分类器输入标准样本数据和干扰样本数据的方式，控制SVM分类器不断调整内部识别算法，从而使得SVM分类器精准识别哪些是干扰样本数据，哪些是获取标准样本数据，如果SVM分类器识别出干扰样本数据后不对其进行手势识别，直接放弃即可，SVM分类器识别出标准样本数据后则输入手势分类网络对其进行手势识别。
在本申请另一实施例公开的技术方案中，所述计算所述标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征的动作也可以在分类器内部来执行。
在本申请中，在异常信号检测完成后可以通过手势分类网络对获取到的肌电样本数据进行手势预测，所述手势分类网络的输入为电机设备采集到的肌电数据，参见图3，所述手势分类网络由两个卷积块Block 1和Block 2、以及一个展开层、三个全连接层构成，所述手势分类网络将所述肌电数据经过两个卷积块，每个卷积块包含一个卷积层，一个批归一化层，和一个最大池化层。其中卷积层是为了提取肌电信号的空间特征，批归一化层是为了加速网络的训练和收敛速度，同时防止网络过拟合，最大池化层是为了特征降维。然后经过三个全连接层，两个全连接层的激活函数为ReLU函数，最后一个全连接层的激活函数为oftMax函数，得到所述肌电数据对应的手势的概率值，其中全连接层主要起变换维度的作用，SoftMax函数可以将网络的输出调整为概率，使其和为1，便于分类；最后网络输出对该样本的手势预测结果。
对应于上述本实施例中的肌电控制系统遭恶意攻击的异常信号检测方法，本实施例公开了一种肌电控制系统遭恶意攻击的异常信号检测装置，装置中的各个单元的具体工作内容，请参见上述方法实施例的内容。
下面对本发明实施例提供的一种肌电控制系统遭恶意攻击的异常信号检测装置进行描述，下文描述的一种肌电控制系统遭恶意攻击的异常信号检测装置与上文描述的肌电控制系统遭恶意攻击的异常信号检测方法可相互对应参照。
参见图4，本申请实施例公开的肌电控制系统遭恶意攻击的异常信号检测装置，可以包括：标准样本采集单元A、异常样本生成单元B、通道特征计算单元C和训练单元D。
标准样本采集单元A，与上述方法中步骤S101相对应，用于获取标准样本数据，所述标准样本数据为已知的手势动作对应的肌电信号；
异常样本生成单元B，与上述方法中步骤S102相对应，用于采用预设攻击算法对所述标准样本数据施加扰动信号，记为干扰样本数据；
通道特征计算单元C，与上述方法中步骤S103相对应，用于计算所述标准样本数据各个通道的通道特征以及所述干扰样本中各个通道的通道特征；
训练单元D，与上述方法中步骤S104相对应，用于采用所述干扰样本数据以及各自对应的各个通道特征对SVM分类器进行训练，以使得所述SVM分类器能够过滤所述干扰样本数据。
对应于上述方法，本申请还公开了一种电子设备，参见图5，该电子设备可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；
在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图5所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的；
可选的，通信接口200可以为通信模块的接口，如GSM模块的接口；
处理器100可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器300可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，处理器100具体用于：
获取标准样本数据，所述标准样本数据为已知的手势动作对应的肌电信号；
采用预设攻击算法对所述标准样本数据施加扰动信号，记为干扰样本数据；
计算所述标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征；
采用所述标准样本数据、干扰样本数据以及各自对应的各个通道特征对SVM分类器进行训练，以使得所述SVM分类器能够过滤所述干扰样本数据。
一种分类器以及应用所述分类器的肌电控制系统，所述分类器为采用上述任意一项所述的肌电控制系统遭恶意攻击的异常信号检测方法训练得到的SVM分类器。
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员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直接用硬件、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。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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)

1.一种肌电控制系统遭恶意攻击的异常信号检测方法，其特征在于，包括：
获取标准样本数据，所述标准样本数据为已知的手势动作对应的肌电信号；
采用预设攻击算法对所述标准样本数据施加扰动信号，记为干扰样本数据；
计算所述标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征；
采用所述标准样本数据、干扰样本数据各自对应的各个通道特征对SVM分类器进行训练，以使得所述SVM分类器能够过滤所述干扰样本数据。
2.根据权利要求1所述的肌电控制系统遭恶意攻击的异常信号检测方法，其特征在于，所述采用预设攻击算法对所述标准样本数据施加扰动信号，包括：
通过基于DeepFool的通用对抗扰动攻击算法、基于生成网络的通用对抗扰动攻击算法和/或基于总损失最小化的通用对抗扰动攻击算法对所述标准样本数据施加扰动信号。
3.根据权利要求1所述的肌电控制系统遭恶意攻击的异常信号检测方法，其特征在于，计算标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征，包括：
计算所述标准样本数据和干扰样本数据中各个通道与其相邻的其他通道之间的切比雪夫距离，将各个通道和与其相邻的其他通道之间的切比雪夫距离之和作为该通道的通道特征。
4.根据权利要求1所述的肌电控制系统遭恶意攻击的异常信号检测方法，其特征在于，获取标准样本数据包括：
将采集到的M位不同受试者执行N种不同的动作时所产生肌电信号作为标准样本数据，所述M和N为不小于1的正整数。
5.根据权利要求1所述的肌电控制系统遭恶意攻击的异常信号检测方法，其特征在于，将采集到的M位不同受试者执行N种不同的动作时所产生肌电信号作为标准样本数据，包括：
通过受试者采样点处的电极设备，采集M位受试者在连续执行N种不同的动作时的连续肌电信号和在静息状态下的肌电信号；
利用静息状态下的肌电信号对所述连续肌电信号进行分割，得到分割后的肌电样本数据，将所述分割后的肌电样本数据作为所述标准样本数据。
6.根据权利要求5所述的肌电控制系统遭恶意攻击的异常信号检测方法，其特征在于，所述电极设备的行通道数为p，列通道数为q，密度为D的柔性高密度电极阵列，所述p和q的值均大于1，所述D的值大于0。
7.根据权利要求5所述的肌电控制系统遭恶意攻击的异常信号检测方法，其特征在于，采用预设攻击算法对所述标准样本数据施加扰动信号时，所述干扰信号包括扰动信号和噪声，所述干扰信号的扰动幅度||v||p≤0.05。
8.一种肌电控制系统遭恶意攻击的异常信号检测装置，其特征在于，包括：
标准样本采集单元，用于获取标准样本数据，所述标准样本数据为已知的手势动作对应的肌电信号；
异常样本生成单元，用于采用预设攻击算法对所述标准样本数据施加扰动信号，记为干扰样本数据；
通道特征计算单元，用于计算所述标准样本数据中各个通道的通道特征以及所述干扰样本中各个通道的通道特征；
训练单元，用于采用所述标准样本数据、干扰样本数据各自对应的各个通道特征对SVM分类器进行训练，以使得所述SVM分类器能够过滤所述干扰样本数据。
9.一种电子设备，其特征在于，包括：包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-7中任一项所述的肌电控制系统遭恶意攻击的异常信号检测方法的各个步骤。
10.一种分类器，其特征在于，所述分类器为采用权利要求1-7任意一项所述的肌电控制系统遭恶意攻击的异常信号检测方法训练得到的SVM分类器。
CN202210138472.8A 2022-02-15 2022-02-15 一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备 Pending CN114492537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210138472.8A CN114492537A (zh) 2022-02-15 2022-02-15 一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210138472.8A CN114492537A (zh) 2022-02-15 2022-02-15 一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备

Publications (1)

Publication Number Publication Date
CN114492537A true CN114492537A (zh) 2022-05-13

Family

ID=81479667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210138472.8A Pending CN114492537A (zh) 2022-02-15 2022-02-15 一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备

Country Status (1)

Country Link
CN (1) CN114492537A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117297595A (zh) * 2023-11-14 2023-12-29 中国人民解放军海军特色医学中心 一种用于单兵训练后肌肉损伤分析系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117297595A (zh) * 2023-11-14 2023-12-29 中国人民解放军海军特色医学中心 一种用于单兵训练后肌肉损伤分析系统及方法
CN117297595B (zh) * 2023-11-14 2024-03-19 中国人民解放军海军特色医学中心 一种用于单兵训练后肌肉损伤分析系统及方法

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
KR102619981B1 (ko) 근전도 신호를 이용한 동작 분류 방법 및 장치
CN109389059B (zh) 一种基于cnn-lstm网络的p300检测方法
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
Rechy-Ramirez et al. Bio-signal based control in assistive robots: a survey
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
CN113693613B (zh) 脑电信号分类方法、装置、计算机设备及存储介质
CN111134666A (zh) 一种多通道脑电数据的情绪识别方法及电子装置
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
CN109598219B (zh) 一种用于鲁棒肌电控制的自适应电极配准方法
Li et al. EEG signal classification method based on feature priority analysis and CNN
Nyah et al. Evolving polynomial neural networks for detecting abnormal patterns
Bajaj et al. Robust approach based on convolutional neural networks for identification of focal EEG signals
CN114548165B (zh) 一种可跨用户的肌电模式分类方法
CN114492537A (zh) 一种肌电控制系统遭恶意攻击的异常信号检测方法和相关设备
CN114384999B (zh) 基于自适应学习的用户无关肌电手势识别系统
CN114027786B (zh) 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统
Jitaree et al. Force classification using surface electromyography from various object lengths and wrist postures
CN114595725A (zh) 一种基于加法网络和监督对比学习的脑电信号分类方法
Sridhar et al. A Neural Network Approach for EEG classification in BCI
CN111789592B (zh) 一种基于拓扑特征融合的脑电识别方法
CN112438741B (zh) 一种基于脑电特征迁移学习的驾驶状态检测方法及系统
CN113159205A (zh) 一种基于最佳通道的稀疏时频块共空间模式特征提取方法
Bourges et al. Single channel surface electromyogram deconvolution is a useful pre-processing for myoelectric control

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