(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111674185.0 (22)申请日 2021.12.28 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市钱塘新区白杨 街道2号大街1 158号 (72)发明人 佘青山　金国美　席旭刚　汪婷　 李景琦　 (51)Int.Cl. G06V 40/20(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于多层次神经肌肉耦合特征信息融 合的分类方法 (57)摘要 本发明涉及一种基于多层次神经肌肉耦合 特征信息融合的分类方法， 包括： 多通道脑肌电 信号的同步采集； 预处理； 多层次神经肌肉耦合 特征提取； 基于典型相关分析的特征融合和基于 流形多类核最小平方误差的特征分类， 分别提取 脑‑脑、 脑‑肌、 肌‑肌耦合特征、 传统脑肌电信号 特征， 对提取的特征信息进行特征融合， 然后采 用基于流形多类核最小平方误差算法训练分类 器并对不同的动作进行分类。 该方法克服了传统 的基于生物电信号的动作识别方法中未全面考 虑脑‑脑、 肌‑肌、 脑‑肌、 脑肌电信号协作进行运 动控制的缺点， 在基于生物电信号的动作识别中 具有良好的应用前 景。 权利要求书3页 说明书5页 附图1页 CN 114387668 A 2022.04.22 CN 114387668 A 1.一种基于多层次神经肌肉耦合特征信息融合的分类方法， 其特征在于： 包括以下步 骤： 步骤一： 多通道 脑肌电信号的同步采集： 同步采集受试者的多通道 脑肌电信号； 步骤二： 预处 理： 对采集的脑肌电信号进行 预处理； 步骤三： 多层次神经肌肉耦合特征提取： 分别提取脑 ‑脑、 脑‑肌、 肌‑肌耦合特征、 传统 脑肌电信号特 征； 脑‑脑耦合特 征选用脑 ‑脑耦合网络中的网络强度、 聚类系数和特 征路径长度； 脑‑肌耦合特 征选用脑肌 两两通道间的互信息； 肌‑肌耦合特 征选用两 两通道间的皮尔逊相关系数； 传统肌电信号特 征选用均方根、 均值频率； 传统脑电信号特 征选用排列熵和功率谱； 步骤四： 基于典型相关分析的特征融合： 对步骤三中提取的所有脑 ‑脑、 脑‑肌、 肌‑肌耦 合特征、 传统脑肌电信号特征采用典型相关分析方法进行特征融合， 分别在标准动作时和 训练时提取样本特 征向量组成样本空间X和Y； x和y分别为X和Y的向量， 进行变换： 其中， W为典型投影 变换矩阵， T表示 转置， Z作为投影后的组合特 征将用于分类； 步骤五： 基于流形多类核最小平方误差的特征分类： 采用基于流形多类核最小平方误 差算法训练分类 器对步骤四中得到的特 征进行分类。 2.根据权利要求1所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法， 其 特征在于： 所述步骤一具体包括： 通过肌电传感器与脑电帽同步采集不同手部动作下 的表 面肌电信号和脑电信号。 3.根据权利要求2所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法， 其 特征在于： 所述步骤二具体包括： 对采集的脑肌电信号进行去噪处理， 对脑电信号进 行独立 成分分析去除脑电信号中的眼动、 肌电伪迹， 对肌电信号进行去均值、 去基线漂移， 再利用 无限冲激响应陷波滤波器抑制50Hz工频干扰， 最后对脑肌电信号分别进行0～75Hz的低通 滤波。 4.根据权利要求3所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法， 其 特征在于： 所述 步骤三的具体步骤 包括： S1： 提取脑 ‑脑耦合特 征： 在脑‑脑耦合网络中， 选取脑电通道为网络节点， 选用Copula互信息度量节点间关联 性， 得到邻接矩阵。 互信息MI与Copula熵存在以下关系： MI(A,B)＝ ‑Hc(FA(a),FB(b))            (1) 其中， FA(a)和FB(b)分别为变量A和B的累积分布函数， Hc(FA(a),FB(b))为变量A和B的 Copula熵， 由式(1)得到的互信息称为Copula互信息， 作为脑 ‑脑耦合网络的连接 权值； 选用复杂网络中的网络强度、 聚类系数和特征路径长度作为网络的特征， 网络强度SN权　利　要　求　书 1/3 页 2 CN 114387668 A 2的定义为： 其中， M是节点数， s(i)为节点强度， 网络强度越大， 网络的聚类系数C CN定义为： 其中， CC(i)为节点的聚类系数， 网络的特 征路径长度PL N定义为： 其中， pl(i)为节点的特 征路径长度， S2： 提取脑 ‑肌耦合特 征： 互信息是度量两个变量间的非线性相关， 提取两两通道之间的互信息作为脑 ‑肌耦合 特征； S3： 提取肌 ‑肌耦合特 征： 皮尔逊相关系数是用于度量两个变量间的线性相关， 提取两两通道之间的皮尔逊相关 系数作为肌 ‑肌耦合特 征； S4： 传统肌电信号特 征： 均方根记录表面肌电信号的振幅大小， 反映各肌肉收缩的程度， 具体可表示 为： 其中， N是滑动窗口 的长度， qi是第i个样本点； 均值频率定义 为： 其中， ei表示频段上的频谱， pi表示该频段上的功率谱强度， F 是整个频 段长度； S5： 提取传统脑电信号特 征： 排列熵的定义 为： 其中， g为重构分量的个数， Pj为符号的概 率分布。 5.根据权利要求4所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法， 其 特征在于： 所述 步骤四具体包括以下步骤： 对步骤三中提取的所有脑 ‑脑、 脑‑肌、 肌‑肌耦合特征、 传统脑肌电信号特征采用典型 相关分析方法进 行特征融合， 分别在标准动作时和训练 时提取样本特征向量组成样本空间权　利　要　求　书 2/3 页 3 CN 114387668 A 3