(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 202111632627.5 (22)申请日 2021.12.2 9 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市杭州经济技 术 开发区白杨街道 2号大街1 158号 (72)发明人 方银锋　钱尧佳　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 代理人 赵芳　张瑜 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于BiLS TM和WGAN-GP网络的sEMG数据 增强方法 (57)摘要 一种基于BiLS TM和WGAN‑GP网络的sEMG数据 增强方法， 其具体步骤如下： 步骤S1， 采集表面肌 电信号， 进行预处理； 步骤S2,对预处理后的真实 肌电数据进行标准化， 并划分为训练数据集和测 试数据集； 步骤S3， 建立基于BiLSTM网络的W GAN‑ GP网络模型并输入训练数据集进行训练， 输 出得 到生成样本集； 步骤S4， 将生成样本集和测试数 据集比较进行模型误差分析， 判断模型的稳定 性。 本发明基于WGAN ‑GP的神经网络框架结合 BiLSTM来生成表面肌电信号(sEMG)， 一方面提高 模型训练过程的稳定性， 另一方面提高生成样本 的质量。 权利要求书3页 说明书7页 附图4页 CN 114372490 A 2022.04.19 CN 114372490 A 1.一种基于Bi LSTM和WGAN ‑GP网络的sE MG数据增强方法， 其具体步骤如下： 步骤S1， 采集表面肌电信号， 进行 预处理； 步骤S2,对预处 理后的真实肌电数据进行 标准化， 并划分为训练数据集和 测试数据集； 步骤S3， 建立基于BiLSTM网络的WGAN ‑GP网络模型并输入训练数据集进行训练， 输出得 到生成样本集； 步骤S4， 将生成样本集和 测试数据集比较进行模型误差分析， 判断模型的稳定性。 2.根据权利要求1所述的一种基于BiLSTM和WGAN ‑GP网络的sEMG数据增强方法， 其特征 在于： 步骤S1中的表面肌电信号的预处 理， 包括： 步骤S11， 进行去噪处 理； 步骤S12， 滑动窗口分割数据， 进行 特征提取。 3.根据权利要求2所述的一种基于BiLSTM和WGAN ‑GP网络的sEMG数据增强方法， 其特征 在于： 步骤S12中的特 征提取包括平均绝对值、 斜 率变化次数、 波形长度、 过零 点次数， 其中 (1)平均绝对值MA V： 其中,N表示sE MG信号长度， k ＝1,2,3, …,N， xk是第k个sE MG的幅值； (2)波长W L： (3)过零点次数ZC： 引入阈值a， 对于连续的两个sE MG信号xk和xk+1， 过零点次数为： (4)斜率变化次数S SC： 给定三个连续的sEMG信号xk‑1， xk， xk+1， 如果公式(4)成立， 斜率变化次数SSC就增加一 个； (xk‑xk‑1)×(xk‑xk+1)≥a    (4)。 4.根据权利要求1所述的一种基于BiLSTM和WGAN ‑GP网络的sEMG数据增强方法， 其特征 在于： 步骤S2中的标准 化的具体步骤如下： 对经特征提取后的真实肌电数据进行标准化,使用sklearn库中MinMaxScale函数对真 实肌电数据样本进行 标准化至[0,1] Xscaled表示归一化结果， X表示该点样本值， Xmax表示最大样本值， Xmin表示最小样本值， (max‑min)表示放缩范围， mi n表示放缩最小值。 5.根据权利要求1所述的一种基于BiLSTM和WGAN ‑GP网络的sEMG数据增强方法， 其特征权　利　要　求　书 1/3 页 2 CN 114372490 A 2在于： 步骤S3中的WGAN ‑GP网络模型包括生成器网络和判别器网络， 所述生成器网络由1层 Bidirectional  LSTM、 5层conv1d、 2层up_sampling构成， 每层conv1d层加入激活函数 LeackyReLu激活； 所述判别器网络由1个由4层conv1d、 2层max_pooling构成， 每层conv1d层 加入激活函数LeackyReLu激活。 6.根据权利要求5所述的一种基于BiLSTM和WGAN ‑GP网络的sEMG数据增强方法， 其特征 在于： 步骤S3中的模型训练步骤如下： 将生成器网络输出的生成样本数据， 和标准化后的训练数据集输入到WGAN ‑GP网络模 型的判别器网络中， 输出每 个样本被判断为真实样本的概 率； WGAN‑GP的目标函数设置为： 其中E(·)表示期望， 真实数据样本xr的分布为pr(x),生成器 网络输出的假数据样本xg 的分布为pg(x)， ||·||2为2范数， 表示梯度； λ表示梯度约束的系数， 通过 计算真实数据样本xr和假数据样本xg的连线上随机差值的采样值 ε为 (0， 1)间的随机数； 计算当前迭代时WGAN ‑GP网络模型中生成器 网络的损失值， 计算当前迭代时WGAN ‑GP网 络模型中判别器网络的损失值， 利用随机梯度下降方法， 用当前迭代时WGAN ‑GP网络中判别 器网络的损失值、 生 成器网络的损失值依次更新WGA N‑GP网络模型中判别器网络、 生 成器网 络的参数； 更改WGAN ‑GP的训练参数， 判断WGAN ‑GP网络模型中判别器网络 的损失值、 生成器网络 的损失值是否 趋于稳定低值， 此时生成的样本质量较高。 7.根据权利要求6所述的一种基于BiLSTM和WGAN ‑GP网络的sEMG数据增强方法， 其特征 在于： 步骤S3中生成样本集的步骤 包括： 从正态分布中随机产生M个噪声样本组成噪声样本集， 将M个噪声样本输入到WGAN ‑GP 网络模型中， 输出生成样本数据， 其中M和P取值相等； 将生 成样本数据逆标准化输出得到生 成样本集。 8.根据权利要求1所述的一种基于BiLSTM和WGAN ‑GP网络的sEMG数据增强方法， 其特征 在于： 步骤S4中模型误差分析的具体步骤如下： 将WGAN‑GP网络模型的生成样本集与测试 数据集进行比较分析， 衡量模型优劣； 均方根误差RMSE: 对称平均绝对百分比误差SMAPE： 其中y为真实值， 即生成样本集， 为预测值， 即测试数据集， 当RMSE<0.2且SMAPE<权　利　要　求　书 2/3 页 3 CN 114372490 A 3