公开(公告)号：CN109924977A

公开(公告)日：2019-06-25

申请号：CN201910218660.X

申请日：2019-03-21

Applicant: 西安交通大学

Inventor： 陈霸东 ,  黄大维 ,  任鹏举 ,  王飞 ,  袁泽剑 ,  郑南宁

IPC: A61B5/0488 ,  A61B5/00

Abstract: 本发明公开了一种基于CNN和LSTM的表面肌电信号分类方法，使用滑动窗口将时间序列转化成为“数据-标签”对，在每一个时间窗口内，对表面肌电信号应用汉明窗口并使用快速傅里叶变换计算时频谱Spectrogram，将时频谱数据沿时间轴方向叠加整合，并送入卷积神经网络，完成局部空间高位特征提取，得到高维特征，将高维特征沿数据叠加维度展开，恢复为时间序列，并送入长短时记忆网络，提取序列特征，将序列特征送入全连接网络，进行进一步的特征提取和整合，得到充分提取的高维特征，将充分提取的高维特征送入Softmax函数得到最终的分类结果。本发明的核心基于深度学习算法，通过深度特征在传统的手工提取特征之上进行进一步的分析和提取，明显提高了分类解码的精确度。

公开(公告)号：CN110059571A

公开(公告)日：2019-07-26

申请号：CN201910217954.0

申请日：2019-03-21

Applicant: 西安交通大学

Inventor： 陈霸东 ,  黄大维 ,  任鹏举 ,  王飞 ,  袁泽剑

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于极限学习机和较少特征的上肢表面肌电多分类方法，属于机器学习模式识别领域。该方法通过对表面肌电信号进行特征提取获得特征数据，再通过交叉验证选定极限学习机的隐节点数目，最终可以实现上肢表面肌电信号多分类的高精确度分类结果。与当前在该数据集上应用的汇报了最佳分类精度的基于Spectrogram的支持向量机相比，本发明的优点在于：所需特征维度明显更少；极限学习机的训练时间显著短于支持向量机；本发明计算时间明显缩短；本发明在不损失分类精度的情况下简化了特征提取步骤，并显著降低了对计算资源的需求，包括减少数据量和缩短运算时间两个方面，因此更具现实意义，更有利于推广并实现基于表面肌电信号的实时控制系统。