一种基于CNN网络追踪运动单元放电活动的方法

一种基于cnn网络追踪运动单元放电活动的方法
技术领域
1.本发明涉及运动单元放电活动追踪技术领域，具体涉及一种基于cnn网络追踪运动单元放电活动的方法。


背景技术：

2.肌肉收缩的最小功能单元是运动单元(motor unit，mu)，即一个α运动神经元及其支配的所有肌纤维。中枢神经系统(脑、脊髓)控制肌肉收缩进而进行肢体运动实际是通过调节运动单元活动实现的。运动单元具有不同的类型，例如，运动单元有大小之分，并由其所包含肌纤维的数量决定。逐步增加肌力时，小运动单元首先被募集，主要包含慢收缩(高氧化型1型)纤维，而大运动单元由快收缩(无氧型2型)纤维组成，主要在肌力较大时才被募集。又如，运动单元所支配肌纤维有慢肌和快肌之分，长跑慢跑时，募集慢肌来完成高效抗疲劳的运动，短跑冲刺时募集快肌，来增加爆发力和步速。总之，正常生理状态下中枢神经系统会根据不同的任务，通过改变募集运动单元的数量、类型和调节运动单元放电频率来调节肌力大小，进而产生协调的运动。在病理条件下，运动单元异常的活动模式可反映神经系统疾病导致的运动功能障碍。因此，对病理及生理状态下，不同时期运动单元的放电活动特性进行持续追踪研究，是探索运动控制及损伤神经机制的有效途径。
3.目前，运动单元放电活动可通过表面肌电分解技术获得。一个α运动神经元单次放电会引起其支配的肌纤维单次收缩，在体表记录到的由肌纤维收缩引起的电位变化称为这个运动单元的动作电位(mot or unit action potential，muap)。所有被募集运动单元muap的叠加即是肌电信号。肌电分解是从已知肌电信号中通过反演求解各运动单元放电事件序列的过程。基于各运动单元的放电事件序列，以放电时刻作为0时刻，并截取多段-t1至t2间的肌电数据后叠加平均，即可求得对应运动单元的近似muap波形(锁时平均法)。
4.一方面，由于计算机物理内存总是有限的，不可能一次性对长时间记录的数据进行肌电分解。另一方面，在进行实时处理时，每次新获取的肌电数据需要再次进行分解。因此，为了持续观察某一或某些给定运动单元的放电活动，需要将不同时间段获取的肌电数据分别进行分解，然后通过匹配不同时间段肌电分解获取的运动单元，实现对给定运动单元不同时间段放电活动的持续追踪。
5.由于各运动单元肌纤维解剖位置分布通常不同，各运动单元muap波形通常存在一定差异，因此可作为运动单元的“面部”特征帮助区分不同运动单元，匹配相同运动单元。目前针对运动单元追踪的研究较少。其中基于muap波形相关性的判断较常用，该方法通过计算每个通道的波形相似度，取平均值后作为muap间的相似性度量，相似性高认为是相同的运动单元。此方法忽略mu空间分布特征的贡献，仅简单地对各个通道取平均值。之后又有研究提出利用mu波形的空间分布特征，提取每个通道muap波形中波峰、波谷绝对值和rms的累加作为最终特征，结合支持向量机对mu进行严格追踪。该方法理论依据是在肌肉生理状态保持相对稳定时候同一mu的muap波形应保持高度一致。但是在现实应用中，长时间肌肉收缩以及肢体体位变化等，均可能造成muap波形变异。这种仅利用muap波形部分信息的方法
对分类器性能要求高，对所提取特征敏感，对区分度要求大，通常导致可识别运动单元数量较少、鲁棒性不高等问题。
6.基于cnn网络的深度学习方法，已广泛应用于图像识别等领域，其可通过学习过程自动从训练数据中提取关键特征，例如图像中的边缘信息。运动单元的muap波形具备显著的时间空间分布差异性，因此，以运动单元muap波形作为cnn网络的输入，利用深度学习具备的特征信息自主提取特性，可有效避免传统特征提取方法利用信息有限，对特征敏感的局限性。但是该方法需要较大的数据集,数据集和神经网络结构决定了识别效果的上限。


技术实现要素：

7.为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于cnn网络追踪运动单元放电活动的方法，实现了对不同运动单元muap波形的准确识别，进而实现了对给定运动单元放电活动的持续追踪。
8.为了达到上述目的，本发明采取的技术方案为：
9.一种基于cnn网络追踪运动单元放电活动的方法，包括以下步骤：
10.步骤1：模型生成阶段，采集肌电信号，利用肌电分解技术提取对应时间段内各运动单元的放电事件序列，进而利用锁时平均法获取各运动单元的muap波形，并对各运动单元独立编号；
11.步骤2：模型生成阶段，以各运动单元的muap波形作为网络输入，以各运动单元编号作为网络输出；确定初始化参数，结合keras深度学习框架，调用网络层函数，设计cnn网络；利用已获取的各运动单元muap波形数据训练cnn网络，并采用early-stop策略，防止过拟合现象；
12.步骤3：识别追踪阶段，对新采集的肌电信号，利用肌电分解技术提取相应时间段内各运动单元放电事件序列，并利用锁时平均法获取各运动单元当前muap波形；
13.步骤4：识别追踪阶段，利用训练好的cnn网络对各运动单元当前muap波形进行分类，获取各运动单元的编号；将不同时间段内具有相同编号的运动单元看作同一运动单元，从而持续追踪给定运动单元不同时间段内的放电活动。
14.所述的步骤1中提取各运动单元的muap波形，用于cnn网络训练，具体包括以下步骤：
15.步骤101：找出对目标肌肉与皮肤表面电极相对空间位置产生影响的关节自由度，并采集此关节角度变化时目标肌肉收缩产生的肌电信号；
16.步骤102：利用fastica算法获取各运动单元的放电事件序列，并舍弃放电次数少于300次的运动单元，对保留的运动单元进行独立编号；
17.步骤103：对于某一给定的运动单元，以每20次放电事件对应的肌电数据，利用锁时平均法获取一个muap波形样本；
18.步骤104：对所有保留的运动单元，重复步骤103，则每个运动单元获得数量不等的muap波形样本数据，并依据对应运动单元编号附上标签。
19.所述的步骤2中模型搭建与训练过程如下：
20.步骤201：基于各运动单元的muap波形样本数据，划分数据集，并利用数据增强方式增加训练集样本量，以提高模型训练效果；
21.步骤202：在keras深度学习框架下，搭建cnn网络模型；
22.步骤203：在训练过程中采用early-stop策略优化超参数，完成训练，生成模型。
23.所述的步骤201中划分数据集和数据增强步骤如下：
24.(1)将每个运动单元muap波形样本数据随机分为5份，以4:1的比例划分训练集和测试集，用于交叉验证；
25.(2)为使不同运动单元训练集muap波形数据样本量相同，记其中包含muap波形数据最多的运动单元所对应的样本量为n
max
，然后从原始数据集中依次选择各muap波形样本并从0.85-1.15之间随机选择一数值对muap波形进行缩放，直至样本数量增加到(floor(n
max
/10)+1)
×
10，其中floor(
·
)表示取整数；
26.(3)对第(2)步所得的每个muap波形，再随机添加强度为30db的白噪声，重复3次，从而使每个运动单元训练集的样本量变为(floor(n
max
/10)+1)
×
30。
27.本发明的有益效果：
28.本发明提出的一种通过运动单元muap利用cnn网络实现运动单元追踪的方法，可有效应对先前运动单元追踪方法的分类能力差、实用度低的问题，全面有效地利用了muap波形的空间特征和波形特征，且摆脱人工选取特征，有效地持续追踪给定运动单元的放电活动，可用于病理及生理条件下运动单元活动特性的持续追踪研究。
附图说明
29.图1为本发明的流程图。
30.图2为本发明实施例的实验验证结果图。
具体实施方式
31.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例及附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
32.一种基于cnn网络追踪运动单元放电活动的方法，通过卷积神经网络识别不同运动单元muap波形，从而持续追踪给定运动单元放电活动，其中，运动单元放电事件和muap波形的获取主要基于fastica方法,首先对采集的高密度肌电信号进行拓展、白化，然后利用fixed-point算法通过迭代获取局部最优解，得到各运动单元对应的分离向量和源信号，最后，对源信号进行峰值检测和k-means聚类得到放电事件序列，并利用锁时平均法获得运动单元muap波形；其中，cnn网络由卷积层、dropout层、flatten层和全连接层构成，采用early-stop策略，使用adams优化器，输入为128个导联下该运动单元的muap波形，每个导联中的muap由61个数据点构成。
33.参照图1，一种基于cnn网络追踪运动单元放电活动的方法，包括以下步骤：
34.步骤1：模型生成阶段，采集一定时长的肌电信号，利用肌电分解技术提取对应时间段内各运动单元的放电事件序列，进而利用锁时平均法获取各运动单元的muap波形，并对各运动单元独立编号；
35.提取各运动单元的muap波形，用于cnn网络训练，具体为：
36.步骤101：找出对目标肌肉与皮肤表面电极相对空间位置产生影响的关节自由度，
并采集此关节角度变化时目标肌肉收缩产生的肌电信号；
37.步骤102：利用fastica算法获取各运动单元的放电事件序列，并舍弃放电次数少于300次的运动单元，对保留的运动单元进行独立编号；
38.步骤103：对于某一给定的运动单元，以每20次放电事件对应的肌电数据，利用锁时平均法获取一个muap波形样本；
39.用锁时平均法获取一个muap波形样本的步骤如下：
40.(1)以放电事件序列t中每次放电时刻为0时刻，前后各20ms截取肌电数据x，得到长度为40ms的数据段，数据段个数等于放电总次数；
41.(2)将截取得到的所有40ms数据段进行平均，得到运动单元的muap波形；
42.步骤104：对所有保留的运动单元，重复步骤103，则每个运动单元可获得数量不等的muap波形样本数据，并依据对应运动单元编号附上标签；
43.步骤2：模型生成阶段，以各运动单元的muap波形作为网络输入，以各运动单元编号作为网络输出；确定初始化参数，结合keras深度学习框架，调用已有网络层函数，设计cnn网络；利用已获取的各运动单元muap波形数据训练cnn网络，并采用early-stop策略，防止过拟合现象；
44.模型搭建与训练过程如下：
45.步骤201：基于各运动单元的muap波形样本数据，划分数据集，并利用数据增强方式增加训练集样本量，以提高模型训练效果；
46.划分数据集和数据增强步骤如下：
47.(1)将每个运动单元muap波形样本数据随机分为5份，以4:1的比例划分训练集和测试集，用于交叉验证；
48.(2)为使不同运动单元训练集muap波形数据样本量相同，记其中包含muap波形数据最多的运动单元所对应的样本量为n
max
，然后从原始数据集中依次选择各muap波形样本并从0.85-1.15之间随机选择一数值对muap波形进行缩放，直至样本数量增加到(floor(n
max
/10)+1)
×
10，其中floor(
·
)表示取整数；
49.(3)对第(2)步所得的每个muap波形，再随机添加强度为30db的白噪声，重复3次，从而使每个运动单元训练集的样本量变为(floor(n
max
/10)+1)
×
30；
50.步骤202：在keras深度学习框架下，搭建cnn网络模型；
51.搭建cnn网络的步骤如下：
52.(1)调整单条输入样本为大小61*128的muap样本数据，其中61代表了单个通道中含有61个muap波形采样点，128代表了8行16列共128个通道，输入样本的总个数依据提取情况而定，输入标签为一个0到m-1的整数，m为给定的运动单元数；
53.(2)依次搭建卷积层、dropout层，flatten层和全连接层，并设置卷积核大小、步长和填充方式，以及其他各层的尺寸，全连接层的尺寸为m，m为给定的运动单元数，并确定激活函数，激活函数除全连接层为softmax函数外，其余皆适用relu激活函数；
54.(3)设定优化器为adam优化器，初始化超参数，损失函数为categorical_crossentropy，网络评价指标为准确率；
55.步骤203：在训练过程中采用early-stop策略优化超参数，完成训练，生成模型；
56.训练cnn网络的步骤如下：
57.(1)设定early-stop的参数，间监控的数据接口设置为验证集准确率，容忍次数定为50epoch，监控模式为最大，即：验证集准确率在50epoch后没有明显提升便提前终止训练；
58.(2)在model.fit函数中调用callbacks，以4：1划分训练集和验证集后开始训练，最大训练次数为500次；
59.(3)保存停止训练后的网络权重参数，并在测试集中再次做验证，最后保存模型；
60.步骤3：识别追踪阶段，对新采集的肌电信号，利用肌电分解技术提取相应时间段内各运动单元放电事件序列，并利用锁时平均法获取各运动单元当前muap波形；
61.步骤4：识别追踪阶段，利用训练好的cnn网络对各运动单元当前muap波形进行分类，获取各运动单元的编号；将不同时间段内具有相同编号的运动单元看作同一运动单元，从而持续追踪给定运动单元不同时间段内的放电活动。
62.为验证本实施例所提方法的有效性，利用真实实验数据验证了传统方法与本发明方法的准确率的差异。数据来源于5名青年男性，每段实验数据长约12s，完成一个规定动作，重复四次，交叉验证后得出追踪平均准确率，结果如图2所示，由于全面地利用了运动单元动作电位波形用于识别，可以看出本方法识别准确率高，效果稳定。
63.以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。