CN114159079A - 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 - Google Patents

Abstract

本发明公开了一种基于特征提取和GRU深度学***衡的问题；3使用验证集来调整学习率优化模型并以验证集准确率为标准选择最优模型，将最终模型运行于测试集上，最终各肌肉区域的疲劳检测均可达到98％以上的准确率。本发明能克服传统单块肌肉检测方法的局限，对人体主要肌群进行全面的疲劳检测，且提高了检测的准确率。

Description

基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测 方法

技术领域

本发明涉及生理信号特征检测技术领域，特别是一种基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法。

背景技术

肌肉***是人体的重要组成部分，为人体的各项运动提供动力。但肌肉在保持长时间紧绷或者反复工作后会产生肌肉疲劳，从而影响人体的正常运动，甚至会对肌肉自身造成损伤。因此，人体肌肉疲劳状态的准确检测，是肌肉疲劳缓解与治疗的基础，具有重要的运动学和医学意义。

表面肌电(surface ElectroMyoGraphy，sEMG)信号作为肌肉运动时产生的微弱电流信号，其变化与参与活动的运动单位数量、活动模式和代谢状态等因素有关，能够实时准确地反映肌肉活动状态和功能状态，在康复医学领域的肌肉功能评价以及在体育科学中的疲劳判定中具有重要实用价值，多被用来检测人体特定部位的肌肉疲劳。肌肉疲劳源自比较复杂的生理过程，目前大多数研究者分析肌肉疲劳时一般依赖于实验范式，提取不同特征进行统计学和传统的机器学习分析，这在研究前后期都依赖于大量的人工操作，缺乏实时性和准确性。

而深度学习方法采用多层次的神经网络结构，能够自主地进行特征学习和层级特征表示，其最核心在于摒弃了传统机器学习方法中的手工特征等环节。但根据调研发现现有大部分深度学习方法的研究都只针对特定一种肌肉进行疲劳检测，不具有普遍适用性，同时也限制了疲劳检测的实时性和准确性。

发明内容

本发明针对现有技术疲劳检测肌肉单一导致缺乏普遍适用性的不足，提出一种基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法，以期能提取更有效的特征组合，并结合GRU时序深度网络进行多肌肉疲劳检测，从而提高检测的普遍适用性和准确率。

本发明为解决上述技术问题所采用的技术方案是：

本发明一种基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法的特点包括以下步骤：

S1：通过表面肌电检测仪按照采样频率f采集受试者的m种肌肉的表面肌电信号数据，并以窗口长度u和滑动步长step对所述表面肌电信号数据分别进行有重叠地滑窗分割，生成第i种肌肉的时序样本T_i＝[t₁,t₂,…,t_n,…,t_N]，其中，t_n表示第i种肌肉的时序样本内第n个表面肌电信号的电位值，N＝u·f为单个样本信号点的个数；i∈[1,m]；

S2：对第i种肌肉的时序样本T_i作预处理和特征提取：

S2.1：筛除第i种肌肉的时序样本T_i中的异常值再进行滤波去噪处理，得到预处理后的时序样本T′_i；

S2.2：设置窗口长度为u₁，并无重叠地对预处理后的时序样本T′_i进行滑窗并提取s组特征序列，每组包含c个不同的时域、频域特征，从而生成数据结构为[s,c]的第i种肌肉的特征序列样本，记为

F_i＝[[f₁₁,f₁₂,…,f_1c],[f₂₁,f₂₂,…,f_2c],…,[f_a1,f_a2,…,f_ab,…,f_ac],…,[f_s1,f_s2,…,f_sc]]；其中， f_ab代表第i种肌肉的特征序列样本中第a个特征序列的第b个特征，a∈[1,s]，b∈[1,c]；

S3：设置样本标签并创建数据集：

S3.1：以实验记录的疲劳界限T_boundary为依据设置分类标签，对于预处理后的时序样本T′_i，若t_N＜T_boundary，则设置第i种肌肉的特征序列样本F_i的标签为k₁；若t₁＜T_boundary＜t_N，则设置F_i的标签为k₂；若t₁＞T_boundary，则设置F_i的标签为k₃，从而得到带有标签的特征序列样本F′_i，进而得到带有标签的特征序列样本集

S3.2：将带有标签的特征序列样本F′_i中每种肌肉的特征序列样本划分为第i个训练集 S_train-i和第i个验证集S_val-i，从而混合m种肌肉的训练集并构建总训练集S_train，混合m种肌肉的验证集并构建总验证集S_val；

S4：根据所述带有标签的特征序列样本集

中3类标签样本的数量比值，使用加权随机采样法生成每种肌肉的特征序列样本的采样权重，并作为总训练集S_train中相应特征序列样本在训练过程中的采样概率；

S5：构建由D层GRU单元组成的F_GRU神经网络模型，并将归一化后的总训练集S′_train按照每批次的大小为bs输入到所述F_GRU神经网络模型中进行训练，训练后在归一化后的总验证集S′_val上按照每批次的大小为bs对训练得到的模型进行验证，并以准确率ACC为评估指标不断调整学习率lr，当准确率ACC不再提高时，停止训练，从而得到保留准确率最高的模型作为最终训练好的F_GRU神经网络模型；

S6：利用所述最终训练好的F_GRU神经网络模型对待测试的表面肌电信号数据进行疲劳检测，并输出分类标签所对应的疲劳状态。

与已有技术相比，本发明有益效果体现在：

1、本发明所设计的特征序列结构，是使用所提取特征来充分表征样本的同时也保留了单个样本在时间维度上的特征变化信息，比单个样本提取只一组特征表征能力更强；

2、本发明在分类效果上，所设计的特征序列数据结构搭配GRU网络方法完成肌肉疲劳任务能达到98％以上的分类准确率，优于传统的统计学分析和机器学习分类方法；

3、从不同肌肉类型来看，本发明训练所得的模型在不同类型肌肉上的分类效果差别不大，其均在98％左右，充分说明模型学习到了不同类型肌肉之间共性的表达关系，具有普遍适用性；

4、从性能来讲，本发明的方法在提取提取特征后完成任务所需要消耗的时间更短，占用内存更少，综合性能更强，适用于实时检测任务要求。

附图说明

图1是本发明的基于特征提取和GRU网络的疲劳检测方法流程图。

图2是本发明数据分割、提取特征和标签划分示意图。

图3是本发明GRU单元原理结构图。

具体实施方式

本实施例中，一种基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法，是采集多块肌肉sEMG信号作为训练数据，并进一步设计提取有效的时域、频域特征组合作为输入，结合GRU深度学习网络在时间序列检测的原理特性，设计出了多肌肉疲劳检测方法，其使用独特的样本结构和更有效的特征组合所训练得到的GRU的网络模型在进行多肌肉疲劳检测任务时，具有普遍适用性强、准确率高的优点。具体的说，如图1所示，其步骤如下：

S1：通过表面肌电检测仪按照采样频率f采集受试者的m种肌肉的表面肌电信号数据，并以窗口长度u和滑动步长step对表面肌电信号数据分别进行有重叠地滑窗分割，生成第i 种肌肉的时序样本T_i＝[t₁,t₂,…,t_n,…,t_N]，其中，t_n表示第i种肌肉的时序样本内第n个表面肌电信号的电位值，N＝u·f为单个样本信号点的个数；i∈[1,m]；本实施例中，受试者在计算机平台上进行模拟动作，采集30名受试者的8种sEMG原始数据，采样频率f＝1000Hz，最终筛选保留8人的数据；设置窗口长度u＝3min、滑动步长step＝5s，则N＝180000，即一个时序样本包含180000个数据点，且相邻两个样本重叠175000个点，充分利用原始数据，样本点划分如图2数据轴所示；

S2：对第i种肌肉的时序样本T_i作预处理和特征提取：

S2.1：筛除第i种肌肉的时序样本T_i中的异常值再进行滤波去噪处理，得到预处理后的时序样本T′_i；本实施例中，筛除的异常值包括空值和超限值等，使用巴特沃斯5Hz高通滤波保留肌电信号几种的频段，使用50Hz带阻滤波去除工频干扰；

S2.2：设置窗口长度为u₁，并无重叠地对预处理后的时序样本T′_i进行滑窗并提取s组特征序列，每组包含c个不同的时域、频域特征，从而生成数据结构为[s,c]的第i种肌肉的特征序列样本，记为

F_i＝[[f₁₁,f₁₂,…,f_1c],[f₂₁,f₂₂,…,f_2c],…,[f_a1,f_a2,…,f_ab,…,f_ac],…,[f_s1,f_s2,…,f_sc]]；其中， f_ab代表第i种肌肉的特征序列样本中第a个特征序列的第b个特征；a∈[1,s]，b∈[1,c]，本实施例中，设置u₁＝0.5s，s＝36，c＝9，即每组序列包含5个时域特征：过零率ZC、平均整流值ARV，均方根肌电值RMS、平均绝对值MAV、符号改变斜率SSC和4个频域特征：基于傅里叶变换的中值频率MDF和平均功率频率MNF、基于小波变换的中值频率IMDF和平均功率频率IMNF，生成数据形状为[36,9]的特征样本，如图2所示；

S3：设置样本标签并创建数据集：

S3.1：以实验记录的疲劳界限T_boundary为依据设置分类标签，对于预处理后的时序样本T′_i，若t_N＜T_boundary，则设置第i种肌肉的特征序列样本F_i的标签为k₁；若t₁＜T_boundary＜t_N，则设置F_i的标签为k₂；若t₁＞T_boundary，则设置F_i的标签为k₃，从而得到带有标签的特征序列样本F′_i，进而得到带有标签的特征序列样本集

本实施例中，设置k₁＝0、k₂＝1、k₃＝2，分别对应非疲劳状态、疲劳过渡状态和疲劳状态；

S3.2：将带有标签的特征序列样本F′_i中每种肌肉的特征序列样本划分为第i个训练集 S_train-i和第i个验证集S_val-i，从而混合m种肌肉的训练集并构建总训练集S_train，混合m种肌肉的验证集并构建总验证集S_val；本实施例中，以8:2的比例划分训练集和验证集；

S4：根据带有标签的特征序列样本集

中3类标签样本的数量比值，使用加权随机采样法生成每种肌肉的特征序列样本的采样权重，并作为总训练集S_train中相应特征序列样本在训练过程中的采样概率；本实施例中，借助pytorch中的WeightedRandomSampler工具，生成每个样本被采样的权重值，解决样本标签不均衡的问题；

S5：构建由D层GRU单元组成的F_GRU神经网络模型，并将归一化后的总训练集S′_train按照每批次的大小为bs输入到F_GRU神经网络模型中进行训练，训练后在归一化后的总验证集S′_val上按照每批次的大小为bs对训练得到的模型进行验证，并以准确率ACC为评估指标不断调整学习率lr，当准确率ACC不再提高时，停止训练，从而得到保留准确率最高的模型作为最终训练好的F_GRU神经网络模型；本实施例中，D＝2，GRU单元结构如图3所示，构建双层F_GRU网络，设置每批次输入样本数目bs＝128，由此构成的批输入数据结构为[bs,s,c] ＝[128,36,9]，读取数据样本后进行单通道归一化，使用pytorch中的InstanceNorm2d命令实现，设置初始学习率lr＝0.01进行迭代训练；

S6：利用最终训练好的F_GRU神经网络模型对待测试的表面肌电信号数据进行疲劳检测，并输出分类标签所对应的疲劳状态；如图1所示的步骤S6.1-S6.2，实时检测中本实例中以每3为一个周期记录表面肌电信号数据，对当前时刻采集到的数据进行滤波去噪和特征提取，同步骤S2，将处理过的特征样本归一化操作后输入步骤S5得到的GRU最优模型中，输出八块肌肉的疲劳检测结果，即为最终结果。

Claims (1)

1.一种基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法，其特征在于，包括以下步骤：

S1：通过表面肌电检测仪按照采样频率f采集受试者的m种肌肉的表面肌电信号数据，并以窗口长度u和滑动步长step对所述表面肌电信号数据分别进行有重叠地滑窗分割，生成第i种肌肉的时序样本T_i＝[t₁,t₂,…,t_n,…,t_N]，其中，t_n表示第i种肌肉的时序样本内第n个表面肌电信号的电位值，N＝u·f为单个样本信号点的个数；i∈[1,m]；

S2：对第i种肌肉的时序样本T_i作预处理和特征提取：

S2.1：筛除第i种肌肉的时序样本T_i中的异常值再进行滤波去噪处理，得到预处理后的时序样本T_i′；

S2.2：设置窗口长度为u₁，并无重叠地对预处理后的时序样本T_i′进行滑窗并提取s组特征序列，每组包含c个不同的时域、频域特征，从而生成数据结构为[s,c]的第i种肌肉的特征序列样本，记为

F_i＝[[f₁₁,f₁₂,…,f_1c],[f₂₁,f₂₂,…,f_2c],…,[f_a1,f_a2,…,f_ab,…,f_ac],…,[f_s1,f_s2,…,f_sc]]；其中，f_ab代表第i种肌肉的特征序列样本中第a个特征序列的第b个特征，a∈[1,s]，b∈[1,c]；

S3：设置样本标签并创建数据集：

S3.1：以实验记录的疲劳界限T_boundary为依据设置分类标签，对于预处理后的时序样本T_i′，若t_N＜T_boundary，则设置第i种肌肉的特征序列样本F_i的标签为k₁；若t₁＜T_boundary＜t_N，则设置F_i的标签为k₂；若t₁＞T_boundary，则设置F_i的标签为k₃，从而得到带有标签的特征序列样本F_i′，进而得到带有标签的特征序列样本集

S3.2：将带有标签的特征序列样本F_i′中每种肌肉的特征序列样本划分为第i个训练集S_train-i和第i个验证集S_val-i，从而混合m种肌肉的训练集并构建总训练集S_train，混合m种肌肉的验证集并构建总验证集S_val；

S4：根据所述带有标签的特征序列样本集

中3类标签样本的数量比值，使用加权随机采样法生成每种肌肉的特征序列样本的采样权重，并作为总训练集S_train中相应特征序列样本在训练过程中的采样概率；

S5：构建由D层GRU单元组成的F_GRU神经网络模型，并将归一化后的总训练集S′_train按照每批次的大小为bs输入到所述F_GRU神经网络模型中进行训练，训练后在归一化后的总验证集S′_val上按照每批次的大小为bs对训练得到的模型进行验证，并以准确率ACC为评估指标不断调整学习率lr，当准确率ACC不再提高时，停止训练，从而得到保留准确率最高的模型作为最终训练好的F_GRU神经网络模型；

S6：利用所述最终训练好的F_GRU神经网络模型对待测试的表面肌电信号数据进行疲劳检测，并输出分类标签所对应的疲劳状态。

Images