[发明专利]一种基于RNN-CNN的EMG信号分类系统及方法

说明书

本发明属于EMG信号技术领域，具体涉及一种基于RNN‑CNN的EMG信号分类系统及方法，包括数据采集模块、数据预处理模块、识别模型模块、模型保存模块，所述数据采集模块连接有数据预处理模块，所述数据预处理模块连接有识别模型模块，所述识别模型模块连接有模型保存模块。本发明通过数据扩增等方式，极大地提高的EMG信号识别的泛化性能，并且通过深度学习方法，高速高精度的对EMG信号进行了分类，其识别过程完全智能化，无需人工参与。模型训练完成后，即可直接调用进行EMG识别，无需再次训练模型。本发明用于对EMG信号的分类。

技术领域

本发明属于EMG信号技术领域，具体涉及一种基于RNN-CNN的EMG信号分类系统及方法。

背景技术

肌电信号是产生肌肉力的电信号根源，它是肌肉中很多运动单元动作电位在时间和空间上的叠加，反映了神经，肌肉的功能状态，在基础医学研究、临床诊断和康复工程中有广泛的应用。

但是在实际采集EMG信号过程中，EMG信号极易受到外界因素影响，如动作幅度大小，检测设备穿戴位置，不同人的运动习惯等都会对EMG信号造成较大干扰，导致识别效果不佳。目前的EMG信号分类方法泛化性能弱，无法广泛的适用于各种人群。

发明内容

针对上述目前的EMG信号分类方法泛化性能弱的技术问题，本发明提供了一种精度高、识别效果好、抗干扰能力强的基于RNN-CNN的EMG信号分类系统及方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于RNN-CNN的EMG信号分类系统，包括数据采集模块、数据预处理模块、识别模型模块、模型保存模块，所述数据采集模块连接有数据预处理模块，所述数据预处理模块连接有识别模型模块，所述识别模型模块连接有模型保存模块。

所述数据预处理模块包括加噪模块、归一化模块、数据切割模块、统一数据尺度模块，所述加噪模块连接有归一化模块，所述归一化模块连接有数据切割模块，所述数据切割模块连接有统一数据尺度模块。

所述识别模型模块采用三层结构，所述三层结构分别为RNN层、CNN层、全连接层，所述RNN层采用LSTM单元构建，所述RNN层连接有数据预处理模块，所述CNN层连接有RNN层，所述全连接层连接有CNN层。

一种基于RNN-CNN的EMG信号分类方法，包括下列步骤：

S100、采集EMG信号数据，并根据采集动作的不同进行类别划分和标注，完成模型训练所需数据集的构建；

S200、对构建的所述数据集进行预处理，以满足模型训练数据要求；

S300、采用深度学习方法搭建识别模型，通过输入训练数据，完成参数模型的搭建；

S400、当模型的损失函数不再降低之后，保存数据模型。

所述S100中完成模型训练所需数据集的构建的方法为：包括下列步骤：

S101、将数据集复制三份，第一份数据集不做处理，给第二份数据集的数据增加该条数据S最大值5％的噪声，给第三份数据集的数据增加该条数据最大值10％的噪声，之后将三份数据集并打乱；

S102、对S101中的三份数据集进行Min-Max归一化；

S103、将S102中进行Min-Max归一化后的数据集进行分割，将整条数据集根据时间分割为小段数据；

S104、将分割后的数据进行格式同化。

所述S200中对构建的所述数据集进行预处理的方法为：包括下列步骤：

S201、使用LSTM单元构建RNN层，