[发明专利]一种基于小脑神经网络模型的表面肌电信号分类方法

说明书

本发明涉及一种基于小脑神经网络模型的表面肌电信号分类方法，包括以下步骤：步骤S1：采用包括胫骨前肌、腓肠肌在内的相关肌肉的表面肌电信号数据，提取上述表面肌电信号的特征参数，将提取的特征参数及其分类结果作为训练数据，训练小脑神经网络模型；步骤S2：对测量数据进行分析处理，然后提取作为测试数据的表面肌电信号的特征参数；步骤S3：采用训练好的小脑神经网络模型对步骤S2提取的表面肌电的特征参数进行分类识别。本发明能够精确地得到分类结果。

技术领域

本发明涉及表面肌电信号分类技术领域，特别是一种基于小脑神经网络模型的表面肌电信号分类方法。

背景技术

表面肌电检测是采用胫骨前肌、腓肠肌等相关肌肉的表面肌电信号，分析人体肌肉在不同状态时的表面肌电信号特征，进而确定人体测量部位的状态。目前广泛应用于康复机器人研究、人体外骨骼研究、运动生物力学研究、步态分析以及平衡分析等临床诊断及康复研究。

发明内容

有鉴于此，本发明的目的是提出一种基于小脑神经网络模型的表面肌电信号分类方法，能够精确地得到分类结果。

本发明采用以下方案实现：一种基于小脑神经网络模型的表面肌电信号分类方法，包括以下步骤：

步骤S1：采用包括胫骨前肌、腓肠肌在内的相关肌肉的表面肌电信号数据，提取上述表面肌电信号的特征参数，将提取的特征参数及其分类结果作为训练数据，训练小脑神经网络模型；

步骤S2：对测量数据进行分析处理，然后提取作为测试数据的表面肌电信号的特征参数；

步骤S3：采用训练好的小脑神经网络模型对步骤S2提取的表面肌电的特征参数进行分类识别；

步骤S4：通过小脑神经网络模型分类得到表面肌电信号分类评估结果。

进一步地，所述表面肌电信号的特征参数包括肌电信号幅值的平均值、肌电信号的均方根值、时频域高频能量系数以及低频能量系数的平均值。

进一步地，表面肌电信号的特征参数的提取具体包括以下步骤：

步骤S1：选取daubechies8小波作为对预处理后的表面肌电信号数据小波分解的小波函数，且分解层数为5层；

步骤S2：计算表面肌电信号幅值的平均值I₁：

式中，n为表面肌电信号数量，f(t)为对应时间的幅值；

步骤S3：计算小波分解第一层高频系数均值I₂：

式中，m为小波分解高频系数数量，cD₁为小波分解第一层高频系数；

步骤S4：计算小波分解第五层低频系数均值I₃：

式中，N为小波分解低频系数数量，cA₅为小波分解第五层低频系数；

步骤S5：计算表面肌电信号均方根值I₄：

式中，n1为表面肌电信号均方根数据组的数量，x_n为对应的表面肌电信号数值。

进一步地，所述小脑神经网络模型包括输入层、联想记忆层、感受野、权值记忆层以及输出层，其中激活函数用sigmoid函数；为了增加sigmoid函数的收敛性，误差函数采用交叉熵函数。

本发明通过胫骨前肌、腓肠肌等相关肌肉的表面肌电数据，根据数据分析出信号在时域以及时频域的特征参数，采用小脑模型神经网络进行多分类预测进行分类评估。