[发明专利]一种通用肌电运动意图识别模型构建方法及系统

权利要求书

1.一种通用肌电运动意图识别模型构建方法，其特征在于，包括：

S1，采集多个用户的肌电信号，并对所述多个用户的肌电信号分别进行预处理；

S2，基于预处理后的所述多个用户的肌电信号构建深度广义相关性分析模型，基于所述深度广义相关性分析模型提取多用户共性特征；

S3，采集新用户的肌电信号，基于所述新用户的肌电信号提取新用户的肌电信号特征，基于所述深度广义相关性分析模型从所述新用户的肌电信号特征中提取新用户的共性特征，将所述新用户的共性特征与提取的所述多用户共性特征进行用户共性特征融合，获得融合特征；

S4，基于所述融合特征构建通用模型数据集，将所述通用模型数据集输入运动意图分类网络中构建通用肌电运动意图识别模型，所述通用肌电运动意图识别模型用于对多用户和新用户达到运动意图识别效果。

2.根据权利要求1所述的一种通用肌电运动意图识别模型构建方法，其特征在于，所述S2还可以为：

S2’，基于预处理后的所述多个用户的肌电信号进行多用户个性特征提取；基于提取的所述多用户个性特征构建深度广义相关性分析模型；基于所述深度广义相关性分析模型提取多用户共性特征。

3.根据权利要求1所述的一种通用肌电运动意图识别模型构建方法，其特征在于，所述S1的肌电信号为所述多个用户按照自身运动意图调动肢体进行多种肢体运动时的肌电信号，对每种所述肢体运动重复多次采集。

4.根据权利要求1所述的一种通用肌电运动意图识别模型构建方法，其特征在于，所述S1中所述预处理包括降噪、归一化、取绝对值以及数据分割，其中：

所述降噪包括：根据所述肌电信号的特点设置滤波器类型和系数以及盲源分离的方法；基于所述滤波器和所述盲源分离的方法滤除原始的所述肌电信号中的工频干扰、运动伪迹和/或多通道串扰原因造成的噪声，从而获得滤除噪声后的肌电信号；

所述归一化包括：基于Z-score或最大最小归一化的方法将所述滤除噪声后的肌电信号限定到有利于模型训练的合适的大小，获得归一化肌电信号；

所述取绝对值包括：将所述归一化肌电信号的全部序列取绝对值；

数据分割：将取绝对值后的归一化肌电信号的全部序列切割为多个肌电时序窗。

5.根据权利要求2所述的一种通用肌电运动意图识别模型构建方法，其特征在于，所述S2’中所述基于预处理后的所述多个用户的肌电信号进行多用户个性特征提取包括：

从预处理的信号中，提取多种时频域信号组成特征向量；

计算特征向量的类内距离和类间距离作为特征可分性的判据；根据所述判据将所述特征向量分为高可分性特征向量和低可分性特征向量；

将所述高可分性特征向量作为多用户个性特征提取的结果，其中所述高可分性特征向量包含多个与多用户中每个个体相关的肌电特征。

6.根据权利要求5所述的一种通用肌电运动意图识别模型构建方法，其特征在于，所述S2’中所述基于提取的所述多用户个性特征构建深度广义相关性分析模型，基于所述深度广义相关性分析模型提取多用户共性特征包括：

将提取的所述多用户个性特征进行特征裁剪使得所述多用户个性特征的数据维度统一；

将相同维度的多用户个性特征输入多层深度神经网络MLP获得非线性表征转化后的新特征；

计算所述新特征的类内散度矩阵，所述类内散度矩阵为正定矩阵，根据类内散度矩阵设计判据准则目标函数，当所述判据准则目标函数最大时，用户间的肌电信号相似度最高；

计算所述判据准则目标函数最大时，所述判据准则目标函数中的投影矢量，基于多用户的投影矢量连接构建投影矢量集，所述投影矢量集作为所述深度广义相关性分析模型的权重，与所述多用户个性特征一一对应，基于所述深度广义相关性分析模型的权重建立共性特征提取模型，基于所述共性特征提取模型，将所述投影矢量集与所述多用户个性特征相乘形成最大相关性特征集，将所述最大相关性特征集作为提取的所述多用户共性特征。