CN115227266B - 一种肌电信号分类方法、计算机设备以及可读存储介质 - Google Patents
一种肌电信号分类方法、计算机设备以及可读存储介质 Download PDFInfo
- Publication number
- CN115227266B CN115227266B CN202210759174.0A CN202210759174A CN115227266B CN 115227266 B CN115227266 B CN 115227266B CN 202210759174 A CN202210759174 A CN 202210759174A CN 115227266 B CN115227266 B CN 115227266B
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- electromyographic signal
- activation
- branch
- 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 67
- 230000003183 myoelectrical effect Effects 0.000 title claims abstract description 17
- 238000011176 pooling Methods 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000004913 activation Effects 0.000 claims description 58
- 238000010606 normalization Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 210000003205 muscle Anatomy 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 8
- 238000002567 electromyography Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000006378 damage Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003759 clinical diagnosis Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001272 neurogenic effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000036982 action potential Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001114 myogenic effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 208000018360 neuromuscular disease Diseases 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于医学信号分析技术领域,具体公开了一种肌电信号分类方法、计算机设备以及可读存储介质。其中,肌电信号分类方法首先通过对肌电信号进行经验模态分解得到多个本征模函数,既在最大程度上保留了原数据的信息,又在一定程度上贴近临床人工定量分析方式;然后构建双分支融合网络,通过使用两个不同大小卷积核的卷积层以及不同大小的池化层作为双分支结构,每个分支的输出维度相同,并以通道维度融合双分支输出,同时,该网络结合稠密块、转换块等结构,既可以增加特征信息的多样性,又可以减少参数降低过拟合风险,并能够保留全局上下文重要信息。本发明能够对ALS患者和健康人群的肌电信号进行准确的分类,便于为ALS的辅助诊断提供参考。
Description
技术领域
本发明属于医学信号分析技术领域,特别涉及一种针对针电极肌电信号进行分类的肌电信号分类方法、计算机设备以及可读存储介质。
背景技术
肌萎缩侧索硬化症(Amyotrophic lateral sclerosis,简称ALS)是一种神经退行性疾病,其发病机制尚不明确,早发现、早治疗具有重要的意义。在ALS的诊断过程中,电生理学检查必不可少,也是目前各种检查手段中较为可靠的方法。目前,针极肌电图是临床上常用于诊断神经肌肉疾病的电生理检测工具。通过分析针极肌电图,医生可以更好地判断患者的肌肉部位是否存在神经源性损害,也包括是否罹患ALS。
临床上基于人工定量分析针极肌电图的方式诊断ALS,通过采集就医人员多个肌肉部位的针极肌电图,得到其检测指标并与正常值进行比较。该过程不仅耗时费力,而且制定的正常值存在随年龄、体重变化而改变的情况,故而存在一定的诊断误差。同时,人工定量分析时需要借助计算机技术将采集到的针极肌电图数据即肌电信号分解成运动单元动作电位,并通过人工分析运动单元动作电位的正锐波、纤颤电位、时限、单纯相等参数,最后由多个科室医生共同协作才能得出诊断结果。综合上述情况,针极肌电图的应用在诊断ALS中十分繁杂,对于神经源性损害、肌源性损害等疾病的早期诊断产生阻碍,相关技术亟待解决。
深度学习被广泛应用在卫生信息学,能够帮助研究人员更好地分析医学数据、构建计算机辅助诊断系统。利用信号处理、深度学习等技术对肌电信号进行分析,研究反映疾病状态的肌电信号分类方法,可以更好的用于神经源性损害、肌源性损害等类型疾病的辅助诊断。卷积神经网络作为深度学习中的一个框架,应用于肌电信号分类任务,能够自动提取信号的特征,避免手工提取特征的繁杂过程,为临床诊断提供参考。目前的方法存在将不同个体的肌电信号数据混合、再随机抽取构建训练数据集和测试数据集,导致来源于同一个体的肌电信号数据会同时出现在训练数据集和测试数据集,与临床诊断的要求相违背。在临床医学中,对ALS的诊断需要对个体同一肌肉部位及不同肌肉部位的肌电信号综合分析才能更准确的诊断。因此,基于单一部位、跨部位的个体分类能够筛选出对神经源性损伤敏感度高的肌肉部位挖掘出肌电信号反映疾病状态、不依赖于部位的共性特征,为临床医学提供准确参考。
发明内容
本发明的目的在于提出一种基于经验模态分解和双分支融合网络的肌电信号分类方法,以便能够对ALS患者和健康人群的肌电信号进行准确的分类。
本发明为了实现上述目的,采用如下技术方案:
一种基于经验模态分解和双分支融合网络的肌电信号分类方法,包括如下步骤:
步骤1.获取肌电信号数据,并对不同个体的肌电信号数据进行预处理,然后根据对应的类别并以个体为单位将预处理后的肌电信号数据组成原始肌电信号数据集;
步骤2.利用经验模态分解方法对原始肌电信号数据集中肌电信号数据进行分解,每个肌电信号数据得到多个本征模函数,并取前三个本征模函数作为对应的特征数据;
将肌电信号对应的特征数据组成特征数据集;
以个体为单位,将所述特征数据集随机划分为训练数据集和测试数据集;
步骤3.搭建双分支融合网络模型;
搭建双分支融合网络模型包括五层网络结构,其中,第一层网络、第二层网络、第三层网络、第四层网络以及第五层网络依次连接;
第一层网络包括两个独立的分支结构,分别为第一分支结构和第二分支结构;
第一分支结构包括第一卷积层、第一批归一化层、第一激活层以及第一池化层;其中,第一卷积层、第一批归一化层、第一激活层以及第一池化层依次相连;
第二分支结构包括第二卷积层、第二批归一化层、第二激活层以及第二池化层;其中,第二卷积层、第二批归一化层、第二激活层以及第二池化层依次相连;
第一卷积层与第二卷积层分别采用不同大小的卷积核;
第一池化层与第二池化层分别采用不同大小的最大池化层降采样;
第一分支结构与第二分支结构的输入为同一肌电信号数据对应的三个本征模函数;
第一分支结构和第二分支结构的输出以通道拼接方式合并;
第二层网络包括第三卷积层、第三批归一化层、第三激活层以及第三池化层;其中,第三卷积层、第三批归一化层、第三激活层以及第三池化层依次相连;
其中,第三卷积层的输入为第一分支结构以及第二分支结构的合并输出;
第三池化层采用最大池化层降采样;
第三层网络包括两个稠密块以及一个转换块,其中定义两个稠密块分别为第一稠密块和第二稠密块;其中,第一稠密块、转换块与第二稠密块依次相连;
第四层网络包括全局上下文模块、第四卷积层、第四批归一化层、第四激活层和第四池化层;全局上下文模块、第四卷积层、第四批归一化层、第四激活层和第四池化层依次相连;
第四池化层采用平均池化层降采样;
第五层网络为分类层,包括三个依次相连的全连接层,全连接层的输出为肌电信号类别;
第一激活层、第二激活层、第三激活层以及第四激活层均采用GELU激活函数;
步骤4.训练及测试双分支融合网络模型;
利用步骤2中训练数据集中的样本数据训练步骤3构建的双分支融合网络模型,得到双分支融合网络模型的模型参数,保存模型参数,得到训练好的双分支融合网络模型;
利用测试数据集中的样本数据对训练好的双分支融合网络模型进行测试;
步骤5.对于待识别的肌电信号数据,首先利用步骤1对肌电信号数据进行预处理,然后利用步骤2对预处理后的肌电信号数据进行分解,得到多个本征模函数;
取前三个本征模函数输入到训练及测试好的双分支融合网络模型中,得到分类结果。
此外,本发明还提出了一种与上述基于经验模态分解和双分支融合网络的肌电信号分类方法相对应的计算机设备,该计算机设备包括存储器和一个或多个处理器。
所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,用于实现上面述及的基于经验模态分解和双分支融合网络的肌电信号分类方法。
此外,本发明还提出了一种与上述基于经验模态分解和双分支融合网络的肌电信号分类方法相对应的计算机可读存储介质,其上存储有程序;该程序被处理器执行时,
用于实现上面述及的基于经验模态分解和双分支融合网络的肌电信号分类方法。
本发明具有如下优点:
如上所述,本发明述及了一种基于经验模态分解和双分支融合网络的肌电信号分类方法,首先通过对肌电信号进行经验模态分解得到多个本征模函数,既在最大程度上保留了原数据的信息,又在一定程度上贴近临床人工定量分析方式;然后构建双分支融合网络,使用两个不同大小卷积核的卷积层以及不同大小的池化层作为双分支结构,每个分支结构的输出维度相同,并以通道维度融合双分支输出,同时,该网络结合稠密块、转换块等结构,既能增加特征信息的多样性,又能减少参数降低过拟合风险,并保留全局上下文重要信息。本发明能够对ALS患者和健康人群的肌电信号进行准确的分类,便于为ALS的辅助诊断提供参考。
附图说明
图1为本发明实施例中基于经验模态分解和双分支融合网络的肌电信号分类方法框图。
图2为本发明实施例中对采集的肌电信号数据进行预处理的流程图。
图3为本发明实施例中利用经验模态分解方法对肌电信号进行分解的流程图。
图4为本发明实施例中双分支融合网络模型的模型架构图。
图5为本发明实施例中稠密块的结构示意图。
图6为本发明实施例中转换块的结构示意图。
图7为本发明实施例中全局上下文模块的结构示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本实施例述及了一种基于经验模态分解和双分支融合网络的肌电信号分类方法,以提高ALS患者和正常人肌电信号分类的识别率,辅助临床诊断ALS疾病。
如图1所示,本实施例中肌电信号分类方法,包括如下步骤:
步骤1.获取肌电信号数据,并对采集的不同个体的肌电信号数据进行预处理,然后根据对应的类别并以个体为单位将预处理后的肌电信号数据,组成原始肌电信号数据集。
如图2所示,对采集的肌电信号数据进行预处理的过程如下:
对采集的肌电信号数据进行预处理的过程如下:
步骤1.1.首先对采集到的肌电信号数据采用多项式拟合方法去除基线漂移,并使用最大最小值方法进行归一化处理。
步骤1.2.对归一化处理后的数据以窗口长度L(例如L=6000)的窗口做滑动分窗,窗口与窗口之间有L/2长度的信号重叠率,得到统一长度6000的肌电信号数据样本。
步骤1.3.筛选分窗后的肌电信号数据样本,去除存有紊乱异常情况的肌电信号数据样本。
步骤1.4.确定最终肌电信号数据。
通过上述预处理,能够保证数据的可使用性,对数据的统计分布作出归置,各指标处于同一数量级,减少数据计算复杂度,有助于提高模型训练和测试效率。
步骤2.利用经验模态分解方法,根据肌电信号的局部时间尺度特征对原始肌电信号数据集中肌电信号数据进行分解,每个肌电信号数据得到多个本征模函数。
本实施例中取前三个本征模函数作为对应的特征数据。
如图3所示,本实施例中经验模态分解方法的具体过程如下:
首先寻找每个L长度的肌电信号样本x(t)的局部极大值与极小值点,然后采用三次样条插值法对x(t)拟合上、下包络线计算得到包络线的均值m(t)。
将肌电信号样本x(t)与包络线的均m(t)做差得到一个新的数据h(t),并判断h(t)是否满足本征模函数的条件,多次筛选后x(t)被分解为多个本征模函数和一个残差项,如公式(1)。
其中,n为本征模函数的总数,ci(t)为第i个本征模函数,rn(t)为残差项。
保留特征信息相对较多的前三个本征模函数,作为经验模态分解后的肌电信号特征数据。
将肌电信号对应的特征数据组成特征数据集,对每个肌肉部位以个体为单位分别随机抽取ALS患者和正常人80%的本征模函数特征数据作为训练数据集,其余的作为测试数据集。
基于经验模态分解,对肌电信号进行处理以贴近临床人工定量分析的方式。
本实施例中以个体为单位划分数据集,避免来源于同一个体的肌电信号数据会同时出现在训练数据集和测试数据集,训练和测试结果准确客观且符合临床诊断的要求。
步骤3.搭建双分支融合网络模型。本实施例中搭建双分支融合网络模型包括五层网络结构,如图4所示,其中各层网络结构依次连接。
第一层网络包括两个独立的分支结构,分别为第一分支结构、第二分支结构。
第一分支结构包括第一卷积层、第一批归一化层、第一激活层以及第一池化层;其中,第一卷积层、第一批归一化层、第一激活层以及第一池化层依次相连。
第二分支结构包括第二卷积层、第二批归一化层、第二激活层以及第二池化层;其中,第二卷积层、第二批归一化层、第二激活层以及第二池化层依次相连。
第一卷积层采用卷积核为9、步长为2、填充为4的卷积层,第二卷积层采用卷积核为30、步长为5、填充为15的卷积层,第一池化层大小为5,第二池化层大小为2。
本实施例中第一卷积层与第二卷积层分别采用了不同大小的卷积核,而第一池化层与第二池化层分别采用不同大小的最大池化层降采样。
第一激活层、第二激活层均采用GELU激活函数。
GELU是Gaussian Error Linear Units的简称,即高斯误差线性单元。
第一分支结构与第二分支结构的输入为同一肌电信号数据对应的三个本征模函数。
第一分支结构和第二分支结构的输出以通道拼接方式合并。
本实施例中每个本征模函数的长度均为6000,其中:
本征模函数在第一卷积层输出长为3000的特征向量,在第一池化层输出长为600的特征向量;在第二卷积层输出长为1200的特征向量,在第二池化层输出长为600的特征向量。
第一分支结构和第二分支结构的输出在以通道维度拼接后,特征向量长度仍为600。
第一层网络决定着整个模型要学习的信息,本实施例通过设定两个分支结构,通过不同参数设定的卷积层能够从两个方面对肌电信号提取特征,以增加特征信息的多样性。
为了保证训练数据的统一性和规整性,在第一卷积层和第二卷积层后分别使用批归一化、GELU激活函数,并且使用最大池化层降采样,保留区分度较好的特征。
最后,利用通道拼接方式将两个分支结构输出的数据按通道的维度拼接在一起,既能够合理地降采样以减少参数,又能够在最大程度上保留双分支处理后的特征信息。
第二层网络包括第三卷积层、第三批归一化层、第三激活层以及第三池化层;其中,第三卷积层、第三批归一化层、第三激活层以及第三池化层依次相连。
第三卷积层采用卷积核为7、步长为2、填充为3的卷积层。第三卷积层的输入为第一分支结构以及第二分支结构的合并输出。第三池化层采用最大池化层降采样,大小为3。
第三激活层采用GELU激活函数。
第一层网络输出的长度为600的特征向量在经过第三卷积层输出长为300的特征向量,长度300的特征向量再经过第三池化层,输出长为100的特征向量。
第二层网络通过在第一层网络的双分支结构之后,使用第三卷积层将上一层特征信息(即通道拼接后的数据)融合在一起,进行第二次特征学习。
第二层网络通过在第三层卷积层中做相同通道维度的卷积操作,并减小了第三层卷积层的卷积核尺寸,以适应目前的数据长度,减少了参数量。
第三层网络包括两个稠密块以及一个转换块,其中定义两个稠密块分别为第一稠密块和第二稠密块,其中,第一稠密块、转换块与第二稠密块依次相连。
其中,第二层网络输出的长度为100的特征向量在第一稠密块输出长为100的特征向量,在转换块输出长为50的特征向量,在第二稠密块输出长为50的特征向量。
下面结合图5以及图6对本实施例中稠密块以及转换块的结构进行详细说明:
第一稠密块与第二稠密块结构相同,包括第五卷积层和第六卷积层。第五卷积层后设置第五批归一化层和第五激活层。第六卷积层后设置第六批归一化层和第六激活层。
本实施例中第五卷积层与第六卷积层分别采用不同的卷积核,其中,第五卷积层的卷积核为1、步长为1、填充为0,第六卷积层的卷积核为3、步长为1、填充为1。
第五激活层、第六激活层采用GELU激活函数。
如图6所示,转换块包括第七卷积层、第七批归一化层、第七激活层以及第五池化层;第七卷积层、第七批归一化层、第七激活层以及第五池化层依次相连。
第七卷积层的卷积核为1、步长为1、填充为0。第五池化层采用最大池化层降采样,第五池化层的大小为2。第七激活层采用GELU激活函数。
由于肌电信号数据并不像图像数据一样多维复杂,不需要几十层甚至百层的卷积神经网络进行训练,往往较小的卷积神经网络模型就可以取得很好的效果。
对于浅层网络要充分挖掘信号信息并能对提取到的特征合理利用,稠密块是较好的选择。第二层网络处理后的特征参数已经非常重要,在后续操作中要尽可能保存,如公式(2)所示。稠密块是通过密集连接的方式,既能保留最初的肌电信号信息,又能学习到深层次的信息,并且用到更少的参数。
xn=yn([x0,x1,…,xn-1]) (2)
其中,x0,x1,…,xn-1,xn为特征向量,yn为非线性转化函数,是一个组合操作,包括卷积、批归一化以及GELU激活函数。
第四层网络包括全局上下文模块、第四卷积层、第四批归一化层、第四激活层和第四池化层;全局上下文模块、第四卷积层、第四批归一化层、第四激活层和第四池化层依次相连。
第四池化层采用平均池化层降采样,第四池化层大小为2。
第四激活层采用GELU激活函数。
第三层网络输出的长度为50的特征向量在全局上下文块输出长为50的特征向量,在第四卷积层输出长为50的特征向量,在第四池化层输出长为25的特征向量。
如图7所示,全局上下文模块包括三个相同的卷积层、第八归一化层以及第八激活层;定义三个卷积层分别为第八卷积层、第九卷积层以及第十卷积层。
第八卷积层、第九卷积层和第十卷积层采用卷积核为1、步长为1、填充为0的卷积层。
第八卷积层之后使用Softmax函数评分,并与全局上下文模块的输入数据元素相乘后依次输入到第九卷积层、第八归一化层、第八激活层以及第十卷积层。
经过第十卷积层之后,与全局上下文模块的输入数据元素进行元素相加并输出。
全局上下文模块可以分为获取全局上下文特征、捕获通道间依赖关系、特征融合三部分,既具有长距离依赖的有效建模,又具有轻量级计算的特性。
全局上下文模的大致工作原理如下:
首先使用卷积核大小为1的卷积汇聚特征,然后通过Softmax获取注意力权重与输入数据逐个元素相乘获取特征;其次使用卷积减少通道汇聚信息,借助层归一化调节通道间依赖关系,再使用卷积转换为输入通道数;最后与输入数据按通道维度元素相加,强化特征信息。
本实施例中第四层网络为全局上下文汇聚层,本层网络为卷积处理的最后一层,主要作用是将前三层网络学习到的特征进行梳理,从全局来汇聚信息突出重点,并通过融合通道合并特征,减少参数以避免过拟合,从而提高网络精准度。
本层网络使用全局上下文模块(Global Context block,简称GC block),使网络模型感受野覆盖到整个特征图上进行特征汇聚,正向强化特征学习。全局上下文汇聚对网络训练、学习来说能够突出显著特征、增加特征多样性,是一个有益的信息补充。
在经过全局上下文模块之后,第四层网络使用卷积核尺寸为1的第四卷积层对输出信号特征参数进行通道合并,使得通道数变为原来通道数的四分之一。
另外,前三层网络中所有的池化处理均为最大池化层,但是第四层网络使用平均池化层,这样既可以减少参数避免网络过拟合,又能保留最后学习到的重要信息。
第五层网络为分类层,包括三个依次相连的全连接层,对训练好的特征参数进行全连接,全连接层的输出为肌电信号类别,使用多层感知器对保留的特征进行分类。
下述表1示出了本实施例中构建的双分支融合网络模型的网络参数。
表1双分支融合网络参数
本发明利用双分支融合网络作为ALS患者和正常人的肌电信号分类器,其中,通过稠密块、转换块既可以增加特征信息的多样性,又可以减少参数,降低过拟合风险,通过双分支融合网络中的全局上下文块则能够保留全局上下文重要信息。
步骤4.训练及测试双分支融合网络模型。
利用步骤2中训练数据集中的样本数据训练步骤3构建的双分支融合网络模型,得到双分支融合网络模型的模型参数,保存模型参数,得到训练好的双分支融合网络模型。
利用测试数据集中的样本数据对训练好的双分支融合网络模型进行测试。
训练参数设置:Adam优化器,初始学习率为0.0001,动量为0.9,交叉熵损失函数计算损失;训练数据集和测试数据集每批次大小设定为64,迭代次数根据肌肉部位数据量可设定在12到16之间,进行五次五折交叉验证实验,每次训练后保存最优模型参数进行测试。
步骤5.对于待识别的肌电信号数据,首先利用步骤1对给肌电信号数据进行预处理,然后利用步骤2对预处理后的肌电信号数据进行分解,得到一组本征模函数。
取前三个本征模函数输入到训练及测试好的双分支融合网络模型中,得到分类结果。
此外,为了验证本发明方法的有效性,本发明还进行了如下实验。
1.实验环境及配置。
本发明实验环境主要是在Ubuntu系统下进行,配置详情如表2。
表2实验配置
名称 | 版本 |
CPU | Intel Xeon E5-2678 |
GPU | NVIDIA GTX1080Ti 12GB |
Python | 3.7 |
Pytorch | 1.2.0 |
CUDA | 10.2 |
2.实验数据。
本发明实验数据来自EMGLAB(http://www.emglab.net/emglab/Signals/signals.php)的临床信号数据库和XXX医院提供的临床肌电信号数据,两种数据均为使用标准同心针电极对人体不同肌肉侵入性采集。本实验共包含3个肌肉部位数据:
(1)来自EMGLAB的肱二头肌数据,研究对象年龄分布在21岁到63岁,包括10名正常对照受试者90条个体数据、8名ALS患者90条个体数据。
(2)来自XXX医院的第一骨间肌数据,研究对象年龄分布为21岁到80岁,包含52个正常对照受试者个体数据、81个ALS患者个体数据。
(3)来自XXX医院的胫前肌数据,研究对象年龄分布为23岁到80岁,包含52个正常对照受试者个体数据、56个ALS患者个体数据。
其中,对每个肌肉部位的数据,以个体为单位随机抽取数据构建训练数据集和测试数据集,具体为训练数据集占80%,其余20%作为测试数据集。
个体数据是利用同心针电极在受试者的指定肌肉部位进行一次或多次采集得到的足够长的肌电信号记录。为了便于分析,本实施例中每个个体的肌电信号记录按照窗口长度6000,重叠窗口长度3000截取得到多个样本,作为分类识别的基本单元。
3.双分支融合网络参数。
双分支融合网络使用Adam优化器,初始学习率为0.0001,动量为0.9;使用交叉熵损失函数计算损失;训练数据集和测试数据集每批次大小设定为64,迭代次数为12。
4.单一部位个体分类实验结果及分析。
在肌电信号的经验模态分解后,对前三个本征模函数在双分支融合网络中进行单一部位个体分类实验,并与随机森林、CatBoost方法进行对比,各分类指标如表3所示。
表3单一部位个体分类结果对比
由表3能够看出,本发明方法分类特异度和敏感度较随机森林、CatBoost两种方法更加均衡,表明本发明方法能够有效识别ALS患者和正常人的肌电信号数据。
同时,本发明方法具有更高的分类准确率和F1值,区分ALS患者和正常人肌电信号数据的效果明显,单一部位个体分类能力优于随机森林、CatBoost两种方法。
5.跨部位个体分类实验结果及分析。
为更好地评价跨部位个体分类实验,对训练部位所有测试部位的分类指标求和后取平均值以进行综合分析,并与随机森林、CatBoost方法进行了对比,各分类指标如表4所示。
表4跨部位个体分类实验结果对比
由表4能够看出,本发明方法在肱二头肌数据中与随机森林、CatBoost方法各分类指标相近,但是在第一骨间肌与胫前肌数据中分类准确率、F1值较高,特异度和敏感度更均衡,整体分类效果较好,跨部位个体分类能力优于随机森林、CatBoost两种方法。
综合表3、4结果,通过在单一部位、跨部位场景下进行个体分类实验,本发明方法能够有效地进行特征提取,并且具有较好的分类能力,证实了本发明方法的优越性。
此外,本发明还提出了一种用于实现上述基于经验模态分解和双分支融合网络的肌电信号分类方法的计算机设备。该计算机设备包括存储器和一个或多个处理器。
其中,在存储器中存储有可执行代码,处理器执行可执行代码时,用于实现上述基于经验模态分解和双分支融合网络的肌电信号分类方法。
所述计算机设备为任意具备数据数据处理能力的设备或装置,此处不再赘述。
此外,本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现上述基于经验模态分解和双分支融合网络的肌电信号分类方法。
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元,例如硬盘或内存,也可以是任意具备数据处理能力的设备的外部存储设备,例如设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (9)
1.一种基于经验模态分解和双分支融合网络的肌电信号分类方法,其特征在于,
包括如下步骤:
步骤1.获取肌电信号数据,并对不同个体的肌电信号数据进行预处理,然后根据对应的类别并以个体为单位将预处理后的肌电信号数据组成原始肌电信号数据集;
步骤2.利用经验模态分解方法对原始肌电信号数据集中肌电信号数据进行分解,每个肌电信号数据得到多个本征模函数,并取前三个本征模函数作为对应的特征数据;
将肌电信号对应的特征数据组成特征数据集;
以个体为单位,将所述特征数据集随机划分为训练数据集和测试数据集;
步骤3.搭建双分支融合网络模型;
搭建双分支融合网络模型包括五层网络结构,其中,第一层网络、第二层网络、第三层网络、第四层网络以及第五层网络依次连接;
第一层网络包括两个独立的分支结构,分别为第一分支结构和第二分支结构;
第一分支结构包括第一卷积层、第一批归一化层、第一激活层以及第一池化层;其中,第一卷积层、第一批归一化层、第一激活层以及第一池化层依次相连;
第二分支结构包括第二卷积层、第二批归一化层、第二激活层以及第二池化层;其中,第二卷积层、第二批归一化层、第二激活层以及第二池化层依次相连;
第一卷积层与第二卷积层分别采用不同大小的卷积核;
第一池化层与第二池化层分别采用不同大小的最大池化层降采样;
第一分支结构与第二分支结构的输入为同一肌电信号数据对应的三个本征模函数;
第一分支结构和第二分支结构的输出以通道拼接方式合并;
第二层网络包括第三卷积层、第三批归一化层、第三激活层以及第三池化层;其中,第三卷积层、第三批归一化层、第三激活层以及第三池化层依次相连;
其中,第三卷积层的输入为第一分支结构以及第二分支结构的合并输出;
第三池化层采用最大池化层降采样;
第三层网络包括两个稠密块以及一个转换块,其中定义两个稠密块分别为第一稠密块和第二稠密块;其中,第一稠密块、转换块与第二稠密块依次相连;
第四层网络包括全局上下文模块、第四卷积层、第四批归一化层、第四激活层和第四池化层;全局上下文模块、第四卷积层、第四批归一化层、第四激活层和第四池化层依次相连;
第四池化层采用平均池化层降采样;
第五层网络为分类层,包括三个依次相连的全连接层,全连接层的输出为肌电信号类别;
第一激活层、第二激活层、第三激活层以及第四激活层均采用GELU激活函数;
步骤4.训练及测试双分支融合网络模型;
利用步骤2中训练数据集中的样本数据训练步骤3构建的双分支融合网络模型,得到双分支融合网络模型的模型参数,保存模型参数,得到训练好的双分支融合网络模型;
利用测试数据集中的样本数据对训练好的双分支融合网络模型进行测试;
步骤5.对于待识别的肌电信号数据,首先利用步骤1对肌电信号数据进行预处理,然后利用步骤2对预处理后的肌电信号数据进行分解,得到多个本征模函数;
取前三个本征模函数输入到训练及测试好的双分支融合网络模型中,得到分类结果。
2.根据权利要求1所述的肌电信号分类方法,其特征在于,
所述步骤1中,对采集的肌电信号数据进行预处理的过程如下:
步骤1.1.首先对采集到的肌电信号数据采用多项式拟合方法去除基线漂移,并使用最大最小值方法进行归一化处理;
步骤1.2.对归一化处理后的数据以窗口长度L的窗口做滑动分窗,窗口与窗口之间有L/2长度的信号重叠率,得到统一长度的肌电信号数据样本;
步骤1.3.筛选分窗后的肌电信号数据样本,去除存有紊乱异常情况的肌电信号数据样本;
步骤1.4.确定最终的肌电信号数据。
3.根据权利要求2所述的肌电信号分类方法,其特征在于,
所述步骤2中,对预处理后的肌电信号数据进行经验模态分解,具体过程如下:
首先寻找每个L长度的肌电信号样本x(t)的局部极大值与极小值点,然后采用三次样条插值法对x(t)拟合上、下包络线计算得到包络线的均值m(t);
将肌电信号样本x(t)与包络线的均m(t)做差得到一个数据h(t),并判断h(t)是否满足本征模函数的条件,多次筛选后x(t)被分解为多个本征模函数和一个残差项,如公式(1);
其中,n为本征模函数的总数,ci(t)为第i个本征模函数,rn(t)为残差项;
保留特征信息相对较多的前三个本征模函数,作为经验模态分解后的肌电信号特征数据。
4.根据权利要求3所述的肌电信号分类方法,其特征在于,
所述步骤2中,对每个肌肉部位以个体为单位分别随机抽取ALS患者和正常人80%的本征模函数特征数据作为训练数据集,其余的本征模函数特征数据作为测试数据集。
5.根据权利要求1所述的肌电信号分类方法,其特征在于,
所述第一稠密块与第二稠密块结构相同,且均包括第五卷积层和第六卷积层;
第五卷积层后设置第五批归一化层和第五激活层;
第六卷积层后设置第六批归一化层和第六激活层;
第五卷积层与第六卷积层采用不同的卷积核;第五、第六激活层采用GELU激活函数。
6.根据权利要求5所述的肌电信号分类方法,其特征在于,
所述转换块包括第七卷积层以及第五池化层,第七卷积层后设置第七批归一化层和第七激活层;其中第七激活层采用GELU激活函数,第五池化层采用最大池化层降采样。
7.根据权利要求1所述的肌电信号分类方法,其特征在于,
所述全局上下文模块包括三个相同的卷积层、第八归一化层以及第八激活层;定义三个卷积层分别为第八卷积层、第九卷积层以及第十卷积层;其中:
第八卷积层之后使用Softmax函数评分,并与全局上下文模块的输入数据元素相乘后依次输入到第九卷积层、第八归一化层、第八激活层以及第十卷积层;
经过第十卷积层之后,再次与全局上下文模块的输入数据元素进行元素相加并输出。
8.一种计算机设备,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所述可执行代码时,
实现如上述权利要求1至7任一项所述的肌电信号分类方法。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时,实现如上述权利要求1至7任一项所述的肌电信号分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210759174.0A CN115227266B (zh) | 2022-06-29 | 2022-06-29 | 一种肌电信号分类方法、计算机设备以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210759174.0A CN115227266B (zh) | 2022-06-29 | 2022-06-29 | 一种肌电信号分类方法、计算机设备以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115227266A CN115227266A (zh) | 2022-10-25 |
CN115227266B true CN115227266B (zh) | 2024-03-08 |
Family
ID=83671451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210759174.0A Active CN115227266B (zh) | 2022-06-29 | 2022-06-29 | 一种肌电信号分类方法、计算机设备以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115227266B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642528A (zh) * | 2021-09-14 | 2021-11-12 | 西安交通大学 | 一种基于卷积神经网络的手部运动意图分类方法 |
CN113988135A (zh) * | 2021-10-29 | 2022-01-28 | 南京邮电大学 | 一种基于双分支多流网络的肌电信号手势识别方法 |
WO2022099807A1 (zh) * | 2020-11-11 | 2022-05-19 | 东南大学 | 一种基于肌电信号和脑电错误电位的机器人自然控制方法 |
-
2022
- 2022-06-29 CN CN202210759174.0A patent/CN115227266B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022099807A1 (zh) * | 2020-11-11 | 2022-05-19 | 东南大学 | 一种基于肌电信号和脑电错误电位的机器人自然控制方法 |
CN113642528A (zh) * | 2021-09-14 | 2021-11-12 | 西安交通大学 | 一种基于卷积神经网络的手部运动意图分类方法 |
CN113988135A (zh) * | 2021-10-29 | 2022-01-28 | 南京邮电大学 | 一种基于双分支多流网络的肌电信号手势识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115227266A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
USRE46189E1 (en) | Field deployable concussion assessment device | |
EP3306500A1 (en) | Method for analysing medical treatment data based on deep learning, and intelligent analyser thereof | |
US20140289172A1 (en) | Method and device for multimodal neurological evaluation | |
EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
US20100217144A1 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
CN101478912A (zh) | 评估痴呆与痴呆型紊乱 | |
Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
CN112784856A (zh) | 胸部x射线图像的通道注意力特征提取方法和识别方法 | |
WO2021238092A1 (zh) | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 | |
CN111956221A (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
Yadav et al. | Arrhythmia Detection on ECG Signal Using Neural Network Approach | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
Peng et al. | Preliminary study on the efficient electrohysterogram segments for recognizing uterine contractions with convolutional neural networks | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
CN114041800B (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
Nagadeepa et al. | Artificial intelligence based cervical cancer risk prediction using m1 algorithms | |
CN115227266B (zh) | 一种肌电信号分类方法、计算机设备以及可读存储介质 | |
Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
Zhang et al. | Cross-patient automatic epileptic seizure detection using patient-adversarial neural networks with spatio-temporal EEG augmentation | |
CN115736920A (zh) | 基于双模态融合的抑郁状态识别方法及系统 | |
Zhang et al. | Multi-scale and multi-channel information fusion for exercise electrocardiogram feature extraction and classification | |
Kovalchuk et al. | A novel feature vector for ECG classification using deep learning |
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 |