CN115081480B - 一种多源共迁移跨用户的肌电模式分类方法 - Google Patents
一种多源共迁移跨用户的肌电模式分类方法 Download PDFInfo
- Publication number
- CN115081480B CN115081480B CN202210718635.XA CN202210718635A CN115081480B CN 115081480 B CN115081480 B CN 115081480B CN 202210718635 A CN202210718635 A CN 202210718635A CN 115081480 B CN115081480 B CN 115081480B
- Authority
- CN
- China
- Prior art keywords
- domain
- user
- nth
- source
- source domain
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013508 migration Methods 0.000 title claims abstract description 32
- 230000009471 action Effects 0.000 claims abstract description 26
- 230000005012 migration Effects 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 41
- 230000003183 myoelectrical effect Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 11
- 230000006978 adaptation Effects 0.000 description 8
- 238000003909 pattern recognition Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 125000003275 alpha amino acid group Chemical group 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了一种多源共迁移跨用户的肌电模式分类方法，包括：1、利用肌电设备采集N个用户的k类动作的肌电信号，对每一位用户信号进行特征提取，打标签处理，形成源域数据Ds；2、当新用户接入肌电采集设备后，系统采集新用户的信号并提取特征，形成无标签的目标域数据Dt；3、构建基于多源域共迁移自适应方法的迁移学习网络模型，对每一个源域搭建一个域特定的子网络；4、实现多个源域对目标域共迁移、共决策的跨用户的动作识别。本发明能实现多源共迁移跨用户的动作识别，并不断提升对新用户(目标域)数据识别的精准度。
Description
技术领域
本发明涉及肌电信号处理领域，具体涉及一种基于深度学习多源领域共适应技术，主要用于跨用户通用的肌电控制。
背景技术
肌电信号(Electromyography,EMG)是伴随肌肉收缩时产生的微弱生物电信号，它能够反映神经肌肉系统相关活动信息，可用于捕获运动或运动意图并解析为人机接口中的控制指令。上世纪60年代，俄罗斯科学家首次利用肌电控制假肢，随后60年，肌电控制得到了长足的发展。肌电控制方法经历了几次潮流更迭：第一代肌电控制方法主要集中于开关控制(ON/OFF control)，该控制策略通过判断肌电信号幅值是否超过预设的阈值以激活效应器。第二代肌电控制方法尝试使用状态机、多阈值操纵等方法，进一步挖掘并利用肌肉信号幅度信息，以进行较为复杂的控制。第三代肌电控制方法得益于芯片技术的发展，更多的肌电通道及更大的计算能力给肌电控制注入了新的活力，研究人员开始致力于设计强大的模式识别方法与灵活的电极设备，以达到更加自然的肌电控制效果。近年来，国内外在肌电控制领域，尤其涉及肌电模式识别技术均有着迅猛的发展态势，然而在理想实验室情况下已具备较高的动作识别率。然而，在实际使用中，基于模式识别的肌电控制面临诸多难题，其中，因不同用户肌肉解剖等生理结构的差异，基于已有用户数据训练的分类器面对未知新用户时性能大幅下降甚至不再适用，而新用户重新训练分类器又会带来重训练负担。现阶段，这肌电接口跨用户使用成为了阻碍肌电模式识别控制技术广泛应用的难点之一。
过去对多用户的肌电接口研究中，2009年Orabona等人提出的模型，通过在每一步测试中选择一个接近存储在假肢存储器中预先训练过的模型，并建立一个新的模型。自适应过程尝试从一个存储数据集中选择最佳匹配模型，以适应新受试者，但该过程是在一个高维参数空间的分类器中执行的，需要大量的数据来完成适应过程。2011年，Chattopadhyay等人提出利用肌电信号实现一个用户无关的特征选择框架来监测肌肉疲劳。这种搜索机制基于特定特征在受试者个体与受试者间方差的比例，在目标函数的引导下趋向于最佳特征子集附近，也支持多个受试者的运动匹配。然而，找到最佳特征子集而花费大量时间，肌电信号差异较大，这两点限制了特征选择算法在肌电分类问题中的适用性。另外，2013年，Matsubara和Morimoto最近提出了一种基于肌电信号的双线性模型映射方法，该线性模型由两种线性因子：用户依赖因子(风格)和运动因子(内容)组成。这种模型的性能改善依赖于以前的模型中所包括的基于适应性的最小二乘支持向量机(LS-SVMs)。但是风格和内容因子的维度都是通过实验不断地摸索而选择出来的。此外，电极的位置、提取的特征的类型和它们的维数都可能明显影响模型的性能。此外，随着深度学习的蓬勃发展，基于深度学习的跨用户肌电接口逐渐成为研究的热点，2014年Du等人设计了利用AdaBN的方法对多个用户的中心值和偏差进行调整，取地了不错的结果。但是近年来，大多数领域适应性深度学习算法都集中在单源域适应(SDA)问题上，即只有来自单一源域的标记数据。将所有源域合并为一个单一的组合源域并适应分布是一种常见的SDA方法。然而，简单的数据合并不可避免地会造成不同域信息的损失，且识别率普遍较低，不能良好适配新用户，距离商业应用仍有一段距离。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种多源共迁移跨用户的肌电模式分类方法，以期能直接对新用户进行动作分类，从而能实现跨用户的动作识别，并不断提升对新用户(目标域)数据识别的精准度。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种多源域共迁移跨用户的肌电模式分类方法的特点在于，包括如下步骤：
步骤1：利用穿戴式肌电设备采集N个用户的k类动作的肌电信号，并分别对每一位用户的肌电信号进行特征提取和打标签处理，从而形成源域数据其中，un,s表示源域数据Ds中第n个用户的第i个样本对，且/>表示第n个用户的第i个肌电样本，/>表示第n个用户的第i个肌电样本/>的真实标签，I表示第n个用户的全部肌电样本个数；
步骤2：当第N+1个用户即新用户接入肌电采集设备后按照任意顺序执行同样的k类动作时，获取所述新用户的肌电信号并进行特征提取，从而形成无标签的目标域数据其中，/>表示目标域数据Dt的第j个肌电样本，J表示表示目标域全部肌电样本个数；
步骤3：构建基于多源域共迁移自适应的迁移学习网络模型，依次包括：公共特征提取模块F、域特定特征提取器模块H、域特定分类模块C、目标域分类模块A；
步骤3.1：构建所述公共特征提取模块F，依次包括：M个特征提取块，每个特征提取单元依次包括：一个卷积层、一个激活函数层和一个池化层；
构建所述域特定特征提取模块H，包括：并联设置的N个域特定的特征提取单元其中，Hn表示第n个域特定的特征提取器；每个域特定的特征提取单元依次包括：一个卷积层、一个激活函数层、一个池化层和一个全连接层；
构建所述域特定分类模块C，包括：并联设置的N个域特定的分类器Cn表示第n个域特定的分类器；每个域特定的分类器为一个长度为k的全连接层；
构建目标域分类模块A为一个平均器；
由第n个域特定的特征提取器Hn和第n个域特定的分类器Cn组成第n个用户的源域子网络Sub-Netn，从而得到N个源域子网络
步骤3.2：网络模型的初始训练过程；
设置批处理的尺寸为batch_size，将数据按照批处理的尺寸对源域数据Ds和分别目标域数据Dt进行分块后，相应得到的每一批处理的源域数据和目标域数据；其中，令任意第u个批处理的源域数据块记为任意第v个批处理的目标域数据块记为/>
所述源域数据块输入公共特征提取模块F中，并依次经过M个特征提取块的处理后，得到第n个用户的第u个源域公共特征/>将所述第n个用户的第u个源域公共特征/>输入对应的第n个用户的源域子网络Sub-Netn中进行处理，由所述第n个域特定的特征提取器Hn输出第n个用户的第u个源域特征映射/>所述第n个域特定的分类器Cn对第u个源域特征映射/>进行分类，得到第n个用户的第u个动作的源域分类结果；
所述第v个批处理的目标域数据块输入公共特征提取模块F中，并依次经过M个特征提取块的处理后，得到第v个目标域公共特征/>所述第v个目标域公共特征/>同时输入N个源域子网络/>中进行处理，并由N个域特定的特征提取器输出的目标域特征映射/>表示第n个域特定的特征提取器输出的目标域特征映射；由N个域特定的分类器分别对/>进行分类，得到第v个批处理的目标域数据块/>的N个分类结果；
所述目标域分类模块A对第v个批处理的目标域数据块的N个分类结果求取平均后，得到第v个批处理的目标域数据块/>的最终分类结果；
步骤3.3：利用式(1)构建损失函数L：
式(1)中，表示所述第n个用户的源域子网络Sub-Netn的分类器对肌电样本输出的预测标签与肌电样本的真实标签之间的交叉熵损失；/>表示源域特征映射/>和目标域特征映射/>之间的最大均值差异MMD损失；/>表示第v个批处理的目标域数据块/>同时经过N个源域子网络Sub-Netn后输出的分类结果之间的差异距离；/>代表数据中心损失；λ表示调节参数，且λ∈(0,1)；
基于每一批处理的源域数据利用梯度下降法对所述迁移学习网络模型进行训练，并计算所述损失函数L，以更新模型参数，直到损失函数L收敛为止，从而得到训练好的初始迁移学习网络模型；
步骤3.4：网络模型更新过程；
若采集到所述新用户按照任意顺序执行另外的k类动作肌电信号后，则对新的肌电信号进行特征提取后再输入所述训练好的初始迁移学习网络模型中，并按照步骤3.2-步骤3.3的过程进行处理和更新，从而得到更新后的迁移学习网络模型；
步骤4：第n+m个用户利用穿戴式肌电设备采集到k类动作肌电信号时，重复步骤2-步骤3.4的过程进行处理、训练和更新，从而得到最终的肌电模式分类网络模型，m>1。
本发明所述的一种多源域共迁移跨用户的肌电模式分类方法的特点也在于，所述步骤1中提取的特征包括：包含波形长度WaveLength的时域特征以及时间依赖的功率谱描述特征。
与现有技术相比，本发明的有益效果在于：
1、本发明通过设计基于多源共迁移领域自适应技术的迁移学习神经网络的模型结构，实现了在肌电控制的实际应用中，自动适配N个已有的带标签用户(源域)数据和未知无标签新用户(目标域)数据。在无需任何带标签校准数据的情况下，新用户接入该系统即可直接使用，模型根据搜集到的新用户测试数据自动适配模型参数，从而实现了肌电接口跨用户识别动作。
2、本发明利用已有用户的标签数据，无需任何校准和预训练，可以逐渐自适应新用户，做到新用户在接入本系统后，无需新用户提供任何带标签的校准数据，使用过程中随着未带动作类别标签的测试数据的积累，以完全非监督学习方式自动完成系统对用户的适配，模式识别性能逐渐上升，用户体验越来越好。
3、本发明用以解决基于模式识别的肌电控制系统实际使用中因跨用户数据差异而性能下降的问题。具体地说，本发明提出基于多源域共迁移邻域自适应的迁移学习网络模型，从多个子源域数据概率分布和目标域数据的概率分布入手，通过减小每一个源域子网络中源域和目标域输出特征之间的MMD距离来减小每一个子源域数据和目标域数据的概率分布差异，从而使得源域子网络中输出子源域数据和目标域数据特征近似服从统一分布，进而子源域网络可以有效识别目标域数据。平均每一个源域子网络对目标数据的识别结果就可以得到最终的识别结果，从而为肌电模式识别中跨用户识别问题提供了有益的解决方案。
附图说明
图1为本发明中一种用于多源域共迁移跨用户通用的迁移学习神经网络结构图；
图2为本发明中分类器渐进更新过程示意图；
图3为本发明中肌电采集设备及电极放置位置示意图与电极示意图。
具体实施方式
本实施例中，一种用于多源域共迁移跨用户问题的鲁棒肌电控制方法，是对每一个源域建立一个子网络，子网络之间结构相同参数不同享，在每一个子源域网络中对该子源域和目标域特征进行计算MMD距离，通过拉近每一个子源域数据和目标域数据的MMD距离，认为在不同的子网络空间进行了源域数据和目标域数据的边缘分布统一；随后利用训练好的N个子源域分类器Cn分别对目标域进行识别，在目标域分类器A中进行平均N个分类器的识别结果，作为目标域数据的最后识别结果。如图1所示，具体的说，包括如下步骤：
步骤1：利用穿戴式肌电设备采集N个用户的k类动作的肌电信号，并分别对每一位用户的肌电信号进行特征提取和打标签处理，从而形成源域数据其中，un,s表示源域数据Ds中第n个用户的第i个样本对，且/>表示第n个用户的第i个肌电样本，/>表示第n个用户的第i个肌电样本/>的真实标签，I表示第n个用户的全部肌电样本个数；
具体实施中，如图3所示；募集n位受试者，分别利用穿戴的电极设备采集每一位受试者指定位置的肌电信号，使电极的放置位置尽量与之前每一位一致。示例性的，可以设置：n＝9，
利用柔性高密度电极阵列采集用户执行k类动作任务时的肌电信号，最后再采集一段静息状态下的肌电信号。示例性的，设置K＝6，即采集6种任务动作最后，在被试者静息状态下采集10s的肌电信号。
对每个任务的样本数据进行特征提取，构建出每一个任务的全部样本的二维肌电特征图像。使用的特征为时域特征，包含波形长度WL，时间依赖的功率谱描述特征中的f1与f6特征。
募集n位受试者，分别利用穿戴的电极设备采集每一位受试者指定位置的肌电信号，使电极的放置位置尽量与之前每一位一致。示例性的，可以设置：n＝9，
利用柔性高密度电极阵列采集用户执行k类动作任务时的肌电信号，最后再采集一段静息状态下的肌电信号。示例性的，设置K＝6，即采集6种任务动作最后，在被试者静息状态下采集10s的肌电信号。
对每个任务的样本数据进行特征提取，构建出每一个任务的全部样本的二维肌电特征图像。使用的特征为时域特征，包含波形长度WL，时间依赖的功率谱描述特征中的f1与f6特征。
步骤2：当第N+1个用户即新用户接入肌电采集设备后按照任意顺序执行同样的k类动作时，获取新用户的肌电信号并进行特征提取，从而形成无标签的目标域数据其中，/>表示目标域数据Dt的第j个肌电样本，J表示表示目标域全部肌电样本个数；
步骤3：构建基于多源域共迁移自适应的迁移学习网络模型，依次包括：公共特征提取模块F、域特定特征提取器模块H、域特定分类模块C、目标域分类模块A；
步骤3.1：构建公共特征提取模块F，依次包括：M个特征提取块，每个特征提取单元依次包括：一个卷积层、一个激活函数层和一个池化层；
构建域特定特征提取模块H，包括：并联设置的N个域特定的特征提取单元其中，Hn表示第n个域特定的特征提取器；每个域特定的特征提取单元依次包括：一个卷积层、一个激活函数层、一个池化层和一个全连接层；其中，卷积层用于提取局部特征；激活函数层的激活函数为Relu函数，用于非线性建模；池化层用于特征图像的采样以及尺寸的改变；
构建域特定分类模块C，包括：并联设置的N个域特定的分类器Cn表示第n个域特定的分类器；每个域特定的分类器为一个长度为k的全连接层；
构建目标域分类模块A为一个平均器；
由第n个域特定的特征提取器Hn和第n个域特定的分类器Cn组成第n个用户的源域子网络Sub-Netn，从而得到如图1所示的N个结构相同的源域子网络
步骤3.2：网络模型的初始训练过程；
设置批处理的尺寸为batch_size，将数据按照批处理的尺寸对源域数据Ds和分别目标域数据Dt进行分块后，相应得到的每一批处理的源域数据和目标域数据；其中，令任意第u个批处理的源域数据块记为任意第v个批处理的目标域数据块记为/>本实施例中，batch_size＝64；
源域数据块输入公共特征提取模块F中，并依次经过M个特征提取块的处理后，得到第n个用户的第u个源域公共特征/>将第n个用户的第u个源域公共特征/>输入对应的第n个用户的源域子网络Sub-Netn中进行处理，由第n个域特定的特征提取器Hn输出第n个用户的第u个源域特征映射/>第n个域特定的分类器Cn对第u个源域特征映射/>进行分类，得到第n个用户的第u个动作的源域分类结果；
第v个批处理的目标域数据块输入公共特征提取模块F中，并依次经过M个特征提取块的处理后，得到第v个目标域公共特征/>第v个目标域公共特征/>同时输入N个源域子网络/>中进行处理，并由N个域特定的特征提取器输出的目标域特征映射/>表示第n个域特定的特征提取器输出的目标域特征映射；由N个域特定的分类器分别对/>进行分类，得到第v个批处理的目标域数据块/>的N个分类结果；
目标域分类模块A对第v个批处理的目标域数据块的N个分类结果求取平均后，得到第v个批处理的目标域数据块/>的最终分类结果；
步骤3.3：利用式(1.1)构建损失函数L：
式(1)中，表示第n个用户的源域子网络Sub-Netn的分类器对肌电样本输出的预测标签与肌电样本的真实标签之间的交叉熵损失，并由式(1.2)所得：
式(1.2)中，表示源域特征映射/>和目标域特征映射/>之间的最大均值差异MMD损失的最大均值差异(MMD)作为混淆域损失，最大均值差异(MMD)是两个概率分布与它们的样本之间的差异的度量，最大均值差异的定义由式(1.3)所得：
MMD(F,p,q)＝supf∈F(Ex～p[f(x)]-Ey～p[f(y)]) (1.3)
式(1.3)中，F代表再生核希尔伯特空间(RKHS)中单位球的函数集；p代表源域数据的概率分布；q代表目标域数据的概率分布；f代表F中的一个函数；x代表服从p分布的一个源域数据样本；y代表服从q分布的一个目标域数据样本。
表示第v个批处理的目标域数据块/>同时经过N个源域子网络Sub-Netn后输出的分类结果之间的差异距离，对于相同的目标域数据，即使在不同的特征空间与子源域进行对齐，使用不同的分类器给出分类结果，但是结果应该是相同的，因此我们计算量不同分类器数据目标域数据的差异，网络在更新的时候不断减小差异，认为N个分类器对目标域的识别结果保持一致；
式(1.4)中，代表数据中心损失，分布在数据类别边缘的数据更容易被分类器误判，因从，不断使得数据向类别中心靠拢有助于更好对类别边缘的数据进行分类；
式(1.5)中，λ表示调节参数，λ∈(0,1)；本实施例中，λ＝0.5；
基于每一批处理的源域数据利用梯度下降法对迁移学习网络模型进行训练，并计算损失函数L，以更新模型参数，直到损失函数L收敛为止，从而得到训练好的初始迁移学习网络模型；
步骤3.4：网络模型更新过程；
若采集到新用户按照任意顺序执行另外的k类动作肌电信号后，则对新的肌电信号进行特征提取后再输入训练好的初始迁移学习网络模型中，并按照步骤3.2-步骤3.3的过程进行处理和更新，从而得到更新后的迁移学习网络模型，更新过程如图2所示；
步骤4：第n+m个用户利用穿戴式肌电设备采集到k类动作肌电信号时，重复步骤2-步骤3.4的过程进行处理、训练和更新，从而得到最终的肌电模式分类网络模型，m>1。
为了说明本发明方案的性能，使用单源域适应方法与本发明方案进行了对比实验。
对比实验中，采用了单源域适应的方法与本发明方案进行对比，目前多数域适应研究都是基于单源域适应的，单一源域的做法，将全部源域用户数据按类别混合，使用混合源域作为一个单一源域，对目标域进行迁移。
表1准确率对比结果
从表1中可以看出，本发明相对单源域方法，充分利用了不同子源域的风格信息，在不同特征空间拉近源域和目标域的分布，网络识别正确率得到显著提升。在此基础上，使得基于肌电控制的人机交互设备跨用户能力更强，减少了新用户再训练负担，从而使其适应实际使用中不同用户复用肌电设备的复杂环境。
Claims (2)
1.一种多源域共迁移跨用户的肌电模式分类方法，其特征在于，包括如下步骤：
步骤1：利用穿戴式肌电设备采集N个用户的k类动作的肌电信号，并分别对每一位用户的肌电信号进行特征提取和打标签处理，从而形成源域数据其中，un,s表示源域数据Ds中第n个用户的第i个样本对，且/> 表示第n个用户的第i个肌电样本，/>表示第n个用户的第i个肌电样本/>的真实标签，I表示第n个用户的全部肌电样本个数；
步骤2：当第N+1个用户即新用户接入肌电采集设备后按照任意顺序执行同样的k类动作时，获取所述新用户的肌电信号并进行特征提取，从而形成无标签的目标域数据其中，/>表示目标域数据Dt的第j个肌电样本，J表示表示目标域全部肌电样本个数；
步骤3：构建基于多源域共迁移自适应的迁移学习网络模型，依次包括：公共特征提取模块F、域特定特征提取器模块H、域特定分类模块C、目标域分类模块A；
步骤3.1：构建所述公共特征提取模块F，依次包括：M个特征提取块，每个特征提取单元依次包括：一个卷积层、一个激活函数层和一个池化层；
构建所述域特定特征提取模块H，包括：并联设置的N个域特定的特征提取单元其中，Hn表示第n个域特定的特征提取器；每个域特定的特征提取单元依次包括：一个卷积层、一个激活函数层、一个池化层和一个全连接层；
构建所述域特定分类模块C，包括：并联设置的N个域特定的分类器Cn表示第n个域特定的分类器；每个域特定的分类器为一个长度为k的全连接层；
构建目标域分类模块A为一个平均器；
由第n个域特定的特征提取器Hn和第n个域特定的分类器Cn组成第n个用户的源域子网络Sub-Netn，从而得到N个源域子网络
步骤3.2：网络模型的初始训练过程；
设置批处理的尺寸为batch_size，将数据按照批处理的尺寸对源域数据Ds和分别目标域数据Dt进行分块后，相应得到的每一批处理的源域数据和目标域数据；其中，令任意第u个批处理的源域数据块记为任意第v个批处理的目标域数据块记为/>
所述源域数据块输入公共特征提取模块F中，并依次经过M个特征提取块的处理后，得到第n个用户的第u个源域公共特征/>将所述第n个用户的第u个源域公共特征输入对应的第n个用户的源域子网络Sub-Netn中进行处理，由所述第n个域特定的特征提取器Hn输出第n个用户的第u个源域特征映射/>所述第n个域特定的分类器Cn对第u个源域特征映射/>进行分类，得到第n个用户的第u个动作的源域分类结果；
所述第v个批处理的目标域数据块输入公共特征提取模块F中，并依次经过M个特征提取块的处理后，得到第v个目标域公共特征/>所述第v个目标域公共特征/>同时输入N个源域子网络/>中进行处理，并由N个域特定的特征提取器输出的目标域特征映射/> 表示第n个域特定的特征提取器输出的目标域特征映射；由N个域特定的分类器分别对/>进行分类，得到第v个批处理的目标域数据块/>的N个分类结果；
所述目标域分类模块A对第v个批处理的目标域数据块的N个分类结果求取平均后，得到第v个批处理的目标域数据块/>的最终分类结果；
步骤3.3：利用式(1)构建损失函数L：
式(1)中，表示所述第n个用户的源域子网络Sub-Netn的分类器对肌电样本输出的预测标签与肌电样本的真实标签之间的交叉熵损失；/>表示源域特征映射/>和目标域特征映射/>之间的最大均值差异MMD损失；/>表示第v个批处理的目标域数据块/>同时经过N个源域子网络Sub-Netn后输出的分类结果之间的差异距离；/>代表数据中心损失；λ表示调节参数，且λ∈(0,1)；
基于每一批处理的源域数据利用梯度下降法对所述迁移学习网络模型进行训练，并计算所述损失函数L，以更新模型参数，直到损失函数L收敛为止，从而得到训练好的初始迁移学习网络模型；
步骤3.4：网络模型更新过程；
若采集到所述新用户按照任意顺序执行另外的k类动作肌电信号后，则对新的肌电信号进行特征提取后再输入所述训练好的初始迁移学习网络模型中，并按照步骤3.2-步骤3.3的过程进行处理和更新，从而得到更新后的迁移学习网络模型；
步骤4：第n+m个用户利用穿戴式肌电设备采集到k类动作肌电信号时，重复步骤2-步骤3.4的过程进行处理、训练和更新，从而得到最终的肌电模式分类网络模型，m>1。
2.根据权利要求1所述的一种多源域共迁移跨用户的肌电模式分类方法，其特征在于，所述步骤1中提取的特征包括：包含波形长度WaveLength的时域特征以及时间依赖的功率谱描述特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210718635.XA CN115081480B (zh) | 2022-06-23 | 2022-06-23 | 一种多源共迁移跨用户的肌电模式分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210718635.XA CN115081480B (zh) | 2022-06-23 | 2022-06-23 | 一种多源共迁移跨用户的肌电模式分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115081480A CN115081480A (zh) | 2022-09-20 |
| CN115081480B true CN115081480B (zh) | 2024-03-29 |
Family
ID=83255284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210718635.XA Active CN115081480B (zh) | 2022-06-23 | 2022-06-23 | 一种多源共迁移跨用户的肌电模式分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081480B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046731A (zh) * | 2019-11-11 | 2020-04-21 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 |
| WO2020107022A1 (en) * | 2018-11-23 | 2020-05-28 | Slingshot Aerospace, Inc. | Signal processing workflow engine incorporating graphical user interface for space situational awareness |
| CN114548165A (zh) * | 2022-02-18 | 2022-05-27 | 中国科学技术大学 | 一种可跨用户的肌电模式分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308158B (zh) * | 2020-11-05 | 2021-09-24 | 电子科技大学 | 一种基于部分特征对齐的多源领域自适应模型及方法 |
-
2022
- 2022-06-23 CN CN202210718635.XA patent/CN115081480B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020107022A1 (en) * | 2018-11-23 | 2020-05-28 | Slingshot Aerospace, Inc. | Signal processing workflow engine incorporating graphical user interface for space situational awareness |
| CN111046731A (zh) * | 2019-11-11 | 2020-04-21 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 |
| CN114548165A (zh) * | 2022-02-18 | 2022-05-27 | 中国科学技术大学 | 一种可跨用户的肌电模式分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多源域迁移学习的脑电情感识别;娄晓光;陈兰岚;宋振振;;计算机工程与设计;20200716(第07期);全文 * |
| 基于表面肌电和组织阻抗信息融合的手势识别研究;王远;袁思敏;黄品高;王辉;于文龙;付梦龙;李光林;;集成技术;20200515(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115081480A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| CN105654063B (zh) | 基于人工蜂群时频参数优化的运动想象脑电模式识别方法 | |
| CN108647614A (zh) | 心电图心拍分类识别方法及系统 | |
| CN112861604B (zh) | 一种与用户无关的肌电动作识别与控制方法 | |
| CN109480833A (zh) | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 | |
| CN112732090B (zh) | 基于肌肉协同的用户无关实时手势识别方法 | |
| 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 | |
| Li et al. | EEG signal classification method based on feature priority analysis and CNN | |
| CN107301409B (zh) | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 | |
| CN110558975B (zh) | 一种心电信号分类方法及系统 | |
| CN112488002B (zh) | 基于n170的情绪识别方法及识别系统 | |
| CN113589937B (zh) | 一种基于孪生网络核回归的侵入式脑机接口解码方法 | |
| CN109330613A (zh) | 基于实时脑电的人体情绪识别方法 | |
| CN111544855A (zh) | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 | |
| CN113191225A (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
| CN110522446A (zh) | 一种准确性高实用性强的脑电信号分析方法 | |
| CN113988135A (zh) | 一种基于双分支多流网络的肌电信号手势识别方法 | |
| CN113974627A (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
| Li et al. | A novel motor imagery EEG recognition method based on deep learning | |
| CN114145744A (zh) | 基于跨设备前额脑电情绪识别的方法和系统 | |
| CN114384999A (zh) | 基于自适应学习的用户无关肌电手势识别系统 | |
| CN115081480B (zh) | 一种多源共迁移跨用户的肌电模式分类方法 | |
| CN117312985A (zh) | 基于可解释深度学习的表面肌电信号相似手势识别方法 | |
| CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 | |
| CN114936583B (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 |
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 |