CN109308471A - 一种肌电信号特征提取方法 - Google Patents
一种肌电信号特征提取方法 Download PDFInfo
- Publication number
- CN109308471A CN109308471A CN201811148444.4A CN201811148444A CN109308471A CN 109308471 A CN109308471 A CN 109308471A CN 201811148444 A CN201811148444 A CN 201811148444A CN 109308471 A CN109308471 A CN 109308471A
- Authority
- CN
- China
- Prior art keywords
- autocoder
- parameter
- weight
- trained
- feature extraction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种肌电信号特征提取方法,首先对肌电信号作傅里叶变换取傅里叶系数,选取预设频段的傅里叶系数并归一化;构建堆叠自动编码器,设置每一层网络参数进行训练更新参数;构建堆叠的受限玻尔兹曼机,设置每一层网络参数进行训练更新参数;在预训练自动编码器和受限玻尔兹曼机完成后,将两部分预训练的参数前后连接起来,即自动编码器的输出为受限玻尔兹曼机的输入,形成一个贯通的网络,实现肌电信号特征提取,解决现有肌电信号提取方法时面临的时域特征变化大、频域特征提取不充分的问题。
Description
技术领域
本发明涉及信号特征提取技术领域,具体涉及一种肌电信号特征提取方法。
背景技术
肌电信号能在一定程度上反映神经肌肉的活动,在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。特征提取能发现更具意义的潜在变量,有助于更加深入地了解肌电信号数据,减少数据存储和输入数据带宽,减少冗余。
传统的肌电信号处理的方法是将肌电信号看成均值为零、方差随信号强度变化而变化的随机信号。时域特征的提取相对比较简单,故时域分析方法在肌电信号应用领域得到了比较广泛的应用。然而,时域特性虽然容易提取,但大量研究表明,当肌肉收缩力大小稍有变化时,表面肌电信号的时域特征变化较大,并不稳定,而通过快速傅里叶变换将信号变换成频域中的频谱或功率谱后,频谱或功率谱的波形变化较小,即肌电信号的频域描述相对比较稳定。肌电信号的频谱稳定性使得频域方法成为肌电信号处理技术的主流,得到了广泛的应用。但是肌电信号的复杂性决定了单独使用某一类方法进行肌电信号处理都可能无法充分利用所得信息。
发明内容
为解决上述问题,本发明提出一种肌电信号特征提取方法,实现肌电信号特征提取,解决现有肌电信号提取方法时面临的时域特征变化大、频域特征提取不充分的问题。
本发明采用如下技术方案,一种肌电信号特征提取方法,具体步骤如下:
1)对肌电信号作傅里叶变换取傅里叶系数,选取预设频段的傅里叶系数并归一化;
2)构建堆叠自动编码器,设置每一层网络参数进行训练更新参数;
3)构建堆叠的受限玻尔兹曼机,设置每一层网络参数进行训练更新参数;
4)在预训练自动编码器和受限玻尔兹曼机完成后,将两部分预训练的参数前后连接起来,即自动编码器的输出为受限玻尔兹曼机的输入,形成一个贯通的网络,实现肌电信号特征提取。
优选地,所述步骤1)中所述肌电信号为肌电信号通过滤波进行除噪后的肌电信号。
优选地,所述步骤1)中所述预设频段为11HZ~50HZ。
优选地,所述步骤2)对自动编码器进行训练采用随机梯度下降法,具体步骤为:
21)设置自动编码器的网络参数;
22)将训练数据分成含多个样本的小批量数据进行分批次训练;
23)在前馈网络中根据权重和偏置计算自动编码器的输出;
24)使用反向传播算法反向传播,计算损失函数,损失函数对权重和偏置求偏导,再根据随机梯度下降法更新每个连接的权重或偏置,损失函数为:
其中m是每次小批量数据的样本个数,y(x)是训练数据对应的真实标签,a(x)是当前权重或偏置下的输出值;损失函数分别对权重或偏置求偏导得到梯度值,使用随机梯度下降法更新权重;
25)堆叠多个自动编码器,上一个自动编码器的隐藏层作为下一个自动编码器的输入,循环步骤21)-24)进行训练。
优选地,所述网络参数包括:学习速率、动量项和权值惩罚项。
优选地,所述步骤3)中采用梯度下降法进行训练更新参数,具体步骤为:
31)定义一个能量函数E(v,h),
E(v,h)=-aTv-cTh-hTuv
其中v为可视层输入,h为隐藏层,a、c分别表示可视层和隐藏层的偏置,u表示可视层与隐藏层的权重。根据能量函数E(v,h)得到可视层与隐藏层的联合概率分布
32)基于贝叶斯公式由联合概率分布得到条件概率分布,使用似然函数计算损失函数;
33)设置受限玻尔兹曼机的网络参数;
34)训练的目标为最大化步骤32)中的似然函数,似然函数对参数取偏导来,利用梯度下降法更新参数。
发明所达到的有益效果:本发明是一种肌电信号特征提取方法,实现肌电信号特征提取,解决现有肌电信号提取方法时面临的时域特征变化大、频域特征提取不充分的问题。本发明将自动编码器应用于肌电信号分析领域,确保输出的低维度特征能够最大限度地表征输入的高维度数据,抓住了输入数据的特点,使其特征保持不变,减少数据存储和输入数据带宽,减少冗余,充分提取肌电信号。
附图说明
图1是本发明实施例的一种肌电信号特征提取方法的流程示意图。
具体实施方式
下面根据附图并结合实施例对本发明的技术方案作进一步阐述。
本实施例所用的肌电信号数据是由四个人做十个不同的手势动作获取的肌电信号数据,每个人的不同的手势表示一个类别,每个手势都是一个8维数据,每一维数据有10000个样本点。一种肌电信号特征提取方法,构建堆叠自动编码器网络架构,即堆叠多个自动编码器,每一个自动编码器都是一个三层神经网络,设置每一层神经网络的参数且利用随机梯度下降法(Stochastic gradient descent,SGD)进行训练更新权重;建立只有可视层和隐藏层的受限玻尔兹曼机(restricted Boltzmann machine,RBM),使用梯度下降法进行训练更新权重。训练完自动编码器和受限玻尔兹曼机后,将两部分预训练的权重参数前后连接起来形成一个贯通的全连接网络,实现肌电信号特征提取。
自动编码器将神经网络的隐含层视为一个编码器和解码器,输入数据经过隐含层的编码和解码,到达输出层时,确保输出的低维度特征能够最大限度地表征输入的高维度数据。
受限玻尔兹曼机是一种随机神经网络,用于学习一组数据的内在表示,通过使用数据集设置可视层上的神经元来训练受限玻尔兹曼机以匹配数据集中的数据点,训练后的受限玻尔兹曼机可以用于对新的数据进行分类。
一种肌电信号特征提取方法,如图1所示,具体步骤如下:
1)对肌电信号作傅里叶变换取傅里叶系数,选取预设频段的傅里叶系数并归一化;
作为一种较佳的实施例,所述步骤1)中所述肌电信号为肌电信号通过滤波进行除噪后的肌电信号。
所述步骤1)中所述预设频段为11HZ~50HZ。
将归一化后的傅里叶变换系数随机划分为训练数据和测试数据,标记部分数据作为理想的输出数据,即标签数据。归一化可以加快梯度下降,加快最优解的速度,提高精度。
2)构建堆叠自动编码器,设置每一层网络参数进行训练更新参数;
对自动编码器进行训练采用随机梯度下降法,具体步骤为:
21)设置自动编码器的网络参数;所述网络参数包括:学习速率、动量项和权值惩罚项;学习速率设为0.05,用以控制学习速度;设置动量项为0.01,调节在小批量训练网络时本次更新值与上一次更新值的相对比例,在梯度陡峭的地方就下降地快,梯度小的地方下降地慢,避免错过梯度下降法的最优解;设置权值惩罚项防止参数(权重或偏置)过大,避免过拟合现象;将激活函数设置为sigmoid函数;
22)将训练数据分成含多个样本的小批量数据进行分批次训练;既能加快训练速度,又能使模型收敛到较优的解。本实施例中每个小批量数据中样本的个数为32,设置样本训练次数为200,即epoch迭代次数,迭代200次;
23)在前馈网络中根据权重和偏置计算自动编码器的输出,输出等于权重与输入的乘积,结果再加上一个偏置,最后用激活函数对结果进行映射。具体为:
y′=f(wx+b),其中y’表示输出,x为前馈网络输入数据,w为前馈网络的权重,f表示激活函数,本实施例中采用sigmoid函数,参数b为偏置,在计算过程中,需要“复制”b维数,复制后的b和wx乘积结果可以相加;但是这样每次复制b,会增大计算量,本实施例中将偏置项添加到权重w中变为w’,对输入数据x前一列添加一列1元素得到x’,此时的w′x′即是(wx+b);
24)使用反向传播算法反向传播,计算损失函数,损失函数对权重和偏置求偏导,再根据随机梯度下降法更新每个连接的权重或偏置,损失函数为:
其中m是每次小批量数据的样本个数,y(x)是训练数据对应的真实标签,a(x)是当前权重或偏置下的输出值;损失函数分别对权重或偏置求偏导得到梯度值,使用随机梯度下降法更新权重;利用上一次迭代的梯度值减去所有样本梯度的梯度平均值,用以更新梯度值,达到优化参数的目的。随机梯度下降算法的公式为:
其中,θi本次迭代的梯度,即要计算的梯度,θi-1表示上一次迭代的梯度值,表示损失函数对所有训练数据梯度的梯度平均值,具体计算方法为,从训练数据中随机选取一部分样本计算梯度值,选出的这部分样本的梯度值的平均值,约等于损失函数对所有训练数据梯度的梯度平均值,α表示学习速率,本实施例中即0.05,θ为所要更新的参数(权重或偏置),m表示选取样本个数,本实施例中为32。
25)堆叠多个自动编码器,上一个自动编码器的隐藏层作为下一个自动编码器的输入,循环步骤21)-24)进行训练。
3)构建堆叠的受限玻尔兹曼机,上一层受限玻尔兹曼机的隐藏层输出是下一层受限玻尔兹曼机可视层输入,设置每一层网络参数进行训练更新参数;具体步骤为:
31)定义一个能量函数E(v,h),
E(v,h)=-aTv-cTh-hTuv
其中v为可视层输入,h为隐藏层,a、c分别表示可视层和隐藏层的偏置,u表示可视层与隐藏层的权重。根据能量函数E(v,h)得到可视层与隐藏层的联合概率分布:
其中e为自然对数的底,Z表示归一化常数。
32)基于贝叶斯公式由联合概率分布得到条件概率分布,使用似然函数计算损失函数;
由贝叶斯公式及可视层与隐藏层的联合概率分布得到条件概率分布:
其中v为可视层输入,h为隐藏层,a、c分别表示可视层和隐藏层的偏置,u表示可视层与隐藏层的权重;
受限玻尔兹曼的损失函数使用似然函数,损失函数定义为:
其中v为可视层输入,h为隐藏层,a、c分别表示可视层和隐藏层的偏置,u表示可视层与隐藏层的权重,m为样本个数。
33)设置受限玻尔兹曼机的网络参数;
34)训练的目标为最大化步骤32)中的似然函数,采用梯度下降法进行求解,更新参数。
4)在预训练自动编码器和受限玻尔兹曼机完成后,将两部分预训练的参数前后连接起来,即自动编码器的输出为受限玻尔兹曼机的输入,形成一个贯通的网络,实现肌电信号特征提取。
将本实施例的肌电信号特征提取方法与分别利用小波变换和受限玻尔兹曼机进行肌电信号特征提取进行比较,本实施例所用的肌电信号数据是由四个人做十个不同的手势动作获取的肌电信号数据,每个人的不同的手势表示一个类别,选取一个人的信号数据,进行特征提取,结束后再用神经网络中的全连接网络进行验证,即最后的分类。十个手势分别是鞠躬,拍手,握手,拥抱,跳跃,跑,坐,站立,走,挥手。
本实施例所用的数据的手势为在十个手势里面随机选择,十个手势分别是鞠躬,拍手,握手,拥抱,跳跃,跑,坐,站立,走,挥手。提取特征之后进行分类准确率验证,随机选取两种、三种、四种、五种手势对其进行分类验证,结果如下:
表1本发明自动编码器和玻尔兹曼机分类准确率比较
由上表可知,本实施例中的肌电信号特征提取方法相较于小波变换与受限玻尔兹曼机而言,每个人的手势动作进行多分类时准确率有比较明显的提高。本实施例中的肌电信号特征提取方法相对于小波变换与受限玻尔兹曼机在肌电信号特征提取上有明显的优势。
本领域内的技术人员可以对本发明进行改动或变型的设计但不脱离本发明的思想和范围。因此,如果本发明的这些修改和变型属于本发明权利要求及其等同的技术范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种肌电信号特征提取方法,其特征在于,包括以下步骤:
1)对肌电信号作傅里叶变换取傅里叶系数,选取预设频段的傅里叶系数并归一化;
2)构建堆叠自动编码器,设置每一层网络参数进行训练更新参数;
3)构建堆叠的受限玻尔兹曼机,设置每一层网络参数进行训练更新参数;
4)在预训练自动编码器和受限玻尔兹曼机完成后,将两部分预训练的参数前后连接起来,即自动编码器的输出为受限玻尔兹曼机的输入,形成一个贯通的网络,实现肌电信号特征提取。
2.根据权利要求1所述的一种肌电信号特征提取方法,其特征在于,所述步骤1)中所述肌电信号为肌电信号通过滤波进行除噪后的肌电信号。
3.根据权利要求1所述的一种肌电信号特征提取方法,其特征在于,所述步骤1)中所述预设频段为11HZ~50HZ。
4.根据权利要求1所述的一种肌电信号特征提取方法,其特征在于,所述步骤2)对自动编码器进行训练采用随机梯度下降法,具体步骤为:
21)设置自动编码器的网络参数;
22)将训练数据分成含多个样本的小批量数据进行分批次训练;
23)在前馈网络中根据权重和偏置计算自动编码器的输出;
24)使用反向传播算法反向传播,计算损失函数,损失函数对权重和偏置求偏导,再根据随机梯度下降法更新每个连接的权重或偏置,损失函数为:
其中m是每次小批量数据的样本个数,y(x)是训练数据对应的真实标签,a(x)是当前权重或偏置下的输出值;损失函数分别对权重或偏置求偏导得到梯度值,使用随机梯度下降法更新权重;
25)堆叠多个自动编码器,上一个自动编码器的隐藏层作为下一个自动编码器的输入,循环步骤21)-24)进行训练。
5.根据权利要求4所述的一种肌电信号特征提取方法,其特征在于,所述网络参数包括:学习速率、动量项和权值惩罚项。
6.根据权利要求1所述的一种肌电信号特征提取方法,其特征在于,所述步骤3)中采用梯度下降法进行训练更新参数,具体步骤为:
31)定义一个能量函数E(v,h),
E(v,h)=-aTv-cTh-hTuv
其中v为可视层输入,h为隐藏层,a、c分别表示可视层和隐藏层的偏置,u表示可视层与隐藏层的权重。根据能量函数E(v,h)得到可视层与隐藏层的联合概率分布
32)基于贝叶斯公式由联合概率分布得到条件概率分布,使用似然函数计算损失函数;
33)设置受限玻尔兹曼机的网络参数;
34)训练的目标为最大化步骤32)中的似然函数,似然函数对各个参数求偏导,利用梯度下降法更新参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811148444.4A CN109308471B (zh) | 2018-09-29 | 2018-09-29 | 一种肌电信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811148444.4A CN109308471B (zh) | 2018-09-29 | 2018-09-29 | 一种肌电信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308471A true CN109308471A (zh) | 2019-02-05 |
CN109308471B CN109308471B (zh) | 2022-07-15 |
Family
ID=65225170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811148444.4A Active CN109308471B (zh) | 2018-09-29 | 2018-09-29 | 一种肌电信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308471B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932508A (zh) * | 2021-01-29 | 2021-06-11 | 电子科技大学 | 一种基于手臂肌电网络的手指活动识别*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101690659A (zh) * | 2009-09-29 | 2010-04-07 | 华东理工大学 | 脑电波分析方法 |
US20100228694A1 (en) * | 2009-03-09 | 2010-09-09 | Microsoft Corporation | Data Processing Using Restricted Boltzmann Machines |
CN102426651A (zh) * | 2011-08-25 | 2012-04-25 | 武汉理工大学 | 人体前臂表面肌电信号采集及模式识别*** |
CN103190905A (zh) * | 2013-04-01 | 2013-07-10 | 武汉理工大学 | 基于Wi-Fi的多通道表面肌电信号采集***及处理方法 |
CN103729459A (zh) * | 2014-01-10 | 2014-04-16 | 北京邮电大学 | 一种构建情感分类模型的方法 |
CN104523270A (zh) * | 2014-12-18 | 2015-04-22 | 深圳先进技术研究院 | 一种肌电信号分析方法及*** |
CN104751140A (zh) * | 2015-03-30 | 2015-07-01 | 常州大学 | 一种基于深度学习sdae理论的三维人脸识别算法及其在金融领域应用 |
AU2014277847A1 (en) * | 2014-12-22 | 2016-07-07 | Canon Kabushiki Kaisha | A method or computing device for configuring parameters of a feature extractor |
CN106484674A (zh) * | 2016-09-20 | 2017-03-08 | 北京工业大学 | 一种基于深度学习的中文电子病历概念抽取方法 |
CN106529476A (zh) * | 2016-11-11 | 2017-03-22 | 重庆邮电大学 | 一种基于深层堆叠网络的脑电信号特征提取及分类方法 |
CN106650650A (zh) * | 2016-12-14 | 2017-05-10 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种跨年龄人脸识别方法 |
CN106952644A (zh) * | 2017-02-24 | 2017-07-14 | 华南理工大学 | 一种基于瓶颈特征的复杂音频分割聚类方法 |
CN107046646A (zh) * | 2016-12-30 | 2017-08-15 | 上海寒武纪信息科技有限公司 | 基于深度自动编码器的视频编解码装置及方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107609113A (zh) * | 2017-09-13 | 2018-01-19 | 北京科技大学 | 一种文本自动分类方法 |
CN107957783A (zh) * | 2017-12-21 | 2018-04-24 | 北京航天测控技术有限公司 | 一种基于脑电与肌电信息的多模式智能控制***及方法 |
-
2018
- 2018-09-29 CN CN201811148444.4A patent/CN109308471B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228694A1 (en) * | 2009-03-09 | 2010-09-09 | Microsoft Corporation | Data Processing Using Restricted Boltzmann Machines |
CN101690659A (zh) * | 2009-09-29 | 2010-04-07 | 华东理工大学 | 脑电波分析方法 |
CN102426651A (zh) * | 2011-08-25 | 2012-04-25 | 武汉理工大学 | 人体前臂表面肌电信号采集及模式识别*** |
CN103190905A (zh) * | 2013-04-01 | 2013-07-10 | 武汉理工大学 | 基于Wi-Fi的多通道表面肌电信号采集***及处理方法 |
CN103729459A (zh) * | 2014-01-10 | 2014-04-16 | 北京邮电大学 | 一种构建情感分类模型的方法 |
CN104523270A (zh) * | 2014-12-18 | 2015-04-22 | 深圳先进技术研究院 | 一种肌电信号分析方法及*** |
AU2014277847A1 (en) * | 2014-12-22 | 2016-07-07 | Canon Kabushiki Kaisha | A method or computing device for configuring parameters of a feature extractor |
CN104751140A (zh) * | 2015-03-30 | 2015-07-01 | 常州大学 | 一种基于深度学习sdae理论的三维人脸识别算法及其在金融领域应用 |
CN106484674A (zh) * | 2016-09-20 | 2017-03-08 | 北京工业大学 | 一种基于深度学习的中文电子病历概念抽取方法 |
CN106529476A (zh) * | 2016-11-11 | 2017-03-22 | 重庆邮电大学 | 一种基于深层堆叠网络的脑电信号特征提取及分类方法 |
CN106650650A (zh) * | 2016-12-14 | 2017-05-10 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种跨年龄人脸识别方法 |
CN107046646A (zh) * | 2016-12-30 | 2017-08-15 | 上海寒武纪信息科技有限公司 | 基于深度自动编码器的视频编解码装置及方法 |
CN106952644A (zh) * | 2017-02-24 | 2017-07-14 | 华南理工大学 | 一种基于瓶颈特征的复杂音频分割聚类方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107609113A (zh) * | 2017-09-13 | 2018-01-19 | 北京科技大学 | 一种文本自动分类方法 |
CN107957783A (zh) * | 2017-12-21 | 2018-04-24 | 北京航天测控技术有限公司 | 一种基于脑电与肌电信息的多模式智能控制***及方法 |
Non-Patent Citations (2)
Title |
---|
唐贤伦等: "基于深度信念网络的运动想象脑电信号识别", 《信息与控制》 * |
杨杰等: "基于弱监督学习的去噪受限玻尔兹曼机特征提取算法", 《电子学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932508A (zh) * | 2021-01-29 | 2021-06-11 | 电子科技大学 | 一种基于手臂肌电网络的手指活动识别*** |
Also Published As
Publication number | Publication date |
---|---|
CN109308471B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109620223A (zh) | 一种脑卒中康复***脑机接口关键技术方法 | |
Ariyanto et al. | Finger movement pattern recognition method using artificial neural network based on electromyography (EMG) sensor | |
Melin et al. | Genetic optimization of modular neural networks with fuzzy response integration for human recognition | |
CN109583346A (zh) | 基于lstm-fc的脑电信号特征提取与分类识别方法 | |
CN107256393A (zh) | 基于深度学习的一维生理信号的特征提取与状态识别 | |
CN101317794B (zh) | 多指多自由度假手用肌电控制能力检测训练方法 | |
Ziyu et al. | A modified particle swarm optimization with an adaptive acceleration coefficients | |
CN110097103A (zh) | 基于生成对抗网络的半监督图像分类方法 | |
CN110680313B (zh) | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 | |
CN107958213A (zh) | 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法 | |
CN107657204A (zh) | 深层网络模型的构建方法及人脸表情识别方法和*** | |
CN110111797A (zh) | 基于高斯超矢量和深度神经网络的说话人识别方法 | |
CN107194426A (zh) | 一种基于Spiking神经网络的图像识别方法 | |
CN108898213A (zh) | 一种面向深度神经网络的自适应激活函数参数调节方法 | |
CN110490227A (zh) | 一种基于特征转换的少样本图像分类方法 | |
CN108520213A (zh) | 一种基于多尺度深度的人脸美丽预测方法 | |
CN102722643A (zh) | 用于下肢肌电假肢控制的多信息融合运动模式识别方法 | |
CN110464349A (zh) | 一种基于隐半马尔科夫模型的上肢运动功能评分方法 | |
Ahsan et al. | EMG motion pattern classification through design and optimization of neural network | |
Luo et al. | Features extraction and multi-classification of sEMG using a GPU-Accelerated GA/MLP hybrid algorithm | |
Song et al. | Deep reinforcement learning apply in electromyography data classification | |
CN109086667A (zh) | 基于智能终端的相似活动识别方法 | |
CN109308471A (zh) | 一种肌电信号特征提取方法 | |
CN109740672A (zh) | 多流特征距离融合***与融合方法 | |
CN114330438A (zh) | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 |
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 |