假体的信号通道选择方法、装置、设备及存储介质
阅读说明：本技术 假体的信号通道选择方法、装置、设备及存储介质 (Method, device and equipment for selecting signal channel of prosthesis and storage medium ) 是由 李红红 姚秀军 韩久琦 于 2020-07-24 设计创作，主要内容包括：本申请涉及一种假体的信号通道选择方法、装置、设备及存储介质,属于假体技术领域,该方法通过获取假体动作发生时m个传感器采集的m组动作数据以及动作数据的类别标签信息,其中每个传感器对应采集一组动作数据；分别对m组动作数据中的每组动作数据进行以下处理：根据动作数据,获取假体动作所属的预测动作类别和预测类别概率,根据动作数据的类别标签信息和预测类别概率计算第一交叉熵损失；获得所有第一交叉熵损失中的最小值对应的动作数据和次小值对应的动作数据,得到两组最优动作数据,选择与两组最优动作数据对应的两个传感器的信号通道,用以解决在传感器数量较多,需要对较多实际无效数据的处理,影响训练速度和效率的问题。(The method comprises the steps of acquiring m groups of action data acquired by m sensors when the action of the prosthesis occurs and category label information of the action data, wherein each sensor correspondingly acquires a group of action data; and respectively carrying out the following processing on each group of action data in the m groups of action data: according to the action data, obtaining a prediction action category and a prediction category probability to which the prosthesis action belongs, and calculating a first cross entropy loss according to category label information and the prediction category probability of the action data; and obtaining action data corresponding to the minimum value and action data corresponding to the second minimum value in all the first cross entropy losses to obtain two groups of optimal action data, and selecting signal channels of two sensors corresponding to the two groups of optimal action data to solve the problems that the number of the sensors is large, more actual invalid data needs to be processed, and the training speed and the training efficiency are influenced.)
技术领域
本申请涉及假体技术领域，尤其涉及一种假体的信号通道选择方法、装置、设备及存储介质。
背景技术
最先进的主动假体，如肌电多关节仿生手(英文名称Ossur i-Limb ultra)和奥托博克假肢手(Ottobock bebionic)，通常都配备了一套预先编程的握把模式。这些可以被使用者用来执行日常生活的其他活动。在假肢手上通常设置有一对表面肌电图电极，它们通常用于监测屈肌和伸肌群的活动，从而为用户提供了单一自由度(DOF)的控制，如在指定的握把配置或手腕旋转范围内的开/合。
一些科学家已经确定，以最少的电极数实现高解码性能的能力是基于机器学习的肌电控制的主要挑战之一。上述较好的假肢手通常设置了一对表面肌电图电极，大幅度减少用于肌电控制的传感器数量可能会导致对动作分类的性能下降。并且，动作分类的性能下降会引起假体无意识的运动，从而可能导致使用者产生挫折感，增加义肢排斥的风险。而增加传感器的数量会增加采集的数据，进而较多的数据处理会影响训练分类的速度和效率。
发明内容
本申请提供了一种假体的信号通道选择方法、装置、设备及存储介质，用以解决在传感器数量较多，需要对较多实际无效数据的处理，从而影响训练的速度和效率的问题。
第一方面，本申请实施例提供了一种假体的信号通道选择方法，包括：
获取假体动作发生时m个传感器采集到的m组动作数据以及动作数据的类别标签信息，每个所述传感器对应采集一组所述动作数据，m 为不小于2的正整数；
分别对所述m组动作数据中的每组动作数据进行以下处理：根据所述动作数据，获取所述假体动作所属的预测动作类别和属于所述预测动作类别的预测类别概率，根据所述动作数据的类别标签信息和所述预测类别概率计算交叉熵损失，得到第一交叉熵损失；
获得所有所述第一交叉熵损失中的最小值和次小值，将所述最小值对应的所述动作数据和所述次小值对应的所述动作数据作为两组最优动作数据；
选择与所述两组最优动作数据对应的两个所述传感器的信号通道。
可选的，所述根据所述动作数据，获取所述假体动作所属的预测动作类别和属于所述预测动作类别的预测类别概率包括：
对所述动作数据进行预处理，将预处理后的所述动作数据输入预分类模型；
获得所述预分类模型输出的所述假体动作属于每个预测动作类别的分类概率，将所述分类概率中的最大值作为所述假体动作的预测类别概率，将所述分类概率中的最大值对应的所述预测动作类别作为所述假体动作的预测动作类别。
可选的，所述对所述动作数据进行预处理，将预处理后的所述动作数据输入预分类模型之前，还包括：
获取训练样本数据，所述训练样本数据包括训练动作特征和与所述训练动作特征对应的动作类别标签；
将所述训练动作特征和所述动作类别标签输入至线性判别分析模型中，对所述训练样本数据进行分类训练，获得所述预分类模型。
可选的，所述获得所述预分类模型之后，还包括：
获取所述假体动作的验证样本数据，所述验证样本数据包括验证动作特征和所述验证动作特征的动作类别标签；
根据每个所述验证样本数据的真实类别概率和预测类别概率，计算每个所述验证样本数据的交叉熵损失，得到第二交叉熵损失；
获取所有所述第二交叉熵损失中的最小值，根据所有所述第二交叉熵损失中的最小值对所述预分类模型的参数进行优化。
可选的，所述选择与所述两组最优动作数据对应的两个所述传感器的信号通道之后，还包括：
关闭所述m个传感器中，除选择的两个所述传感器的信号通道外的其余传感器的信号通道。
可选的，所述对所述动作数据进行预处理，将预处理后的所述动作数据输入预分类模型，包括：
对所述动作数据进行滤波，以去除所述动作数据中的干扰；
对滤波后的所述动作数据进行特征提取，得到所述假体动作的动作特征；
将所述动作特征输入所述预分类模型中。
可选的，所述对滤波后的所述动作数据进行特征提取，得到所述假体动作的动作特征包括：
基于滑动窗口法对预处理后的所述动作数据进行特征提取，得到所述动作特征，所述动作特征包括：肌电特征和惯性测量特征。
第二方面，本申请实施例提供了一种假体的信号通道选择装置，包括：
第一获取模块，用于获取假体动作发生时m个传感器采集到的m 组动作数据以及所述动作数据的类别标签信息，每个所述传感器对应采集一组所述动作数据，m为不小于2的正整数；
处理模块，用于分别对所述m组动作数据中的每组动作数据进行以下处理：根据所述动作数据，获取所述假体动作所属的预测动作类别和属于所述预测动作类别的预测类别概率，根据所述动作数据的类别标签信息和所述预测类别概率计算交叉熵损失，得到第一交叉熵损失；
第二获取模块，用于获得所有所述第一交叉熵损失中的最小值和次小值，将所述最小值对应的所述动作数据和所述次小值对应的所述动作数据作为两组最优动作数据；
选择模块，用于选择与所述两组最优动作数据对应的两个所述传感器的信号通道。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现如第一方面所述的假体的信号通道选择方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的假体的信号通道选择方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，通过对m个传感器采集的假体动作的动作数据进行筛选，获取与动作数据的类别标签信息交叉熵损失最小的预测分类概率对应的动作数据和次最小的预测分类概率对应的动作数据，得到两组最优动作数据，从而确定与两组最优动作数据对应的两个传感器的信号通道，以在后续过程中，按照选择的两个传感器采集的动作数据进行训练，进而实现了在不影响动作分类性能的情况下，减少后续对数据的处理量，提高了训练的速度和效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的假体的信号通道选择方法的流程示意图；
图2为本申请实施例提供的假体的信号通道选择方法的
具体实施方式
的流程示意图；
图3为本申请实施例提供的假体的信号通道选择方法中对动作数据进行预处理的流程示意图；
图4为本申请实施例提供的假体的信号通道选择方法中训练预分类模型的流程示意图；
图5为本申请实施例提供的假体的信号通道选择装置的结构示意图；
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例中提供了一种假体的信号通道选择方法，用以对多个传感器的信号通道进行选择，以减少对数据的处理，该方法可以直接以软件模块的形式集成在电子设备中，该电子设备可以是与假体建立通信连接的其他电子设备，也可以是任意一种形式的终端或者服务器。
本申请实施例中，参照图1所示，一种假体的信号通道选择方法，包括：
S101、获取假体动作发生时m个传感器采集到的m组动作数据，以及动作数据的类别标签信息，每个传感器对应一组动作数据，其中， m为不小于2的正整数。
假体指的是替代人体某个肢体、器官或组织的器械，本实施例中的假体可以指安装在肢体残疾的人身上的假肢。
一些实施例中，将假体安装在使用者肢体上，假体上设置有m个传感器，当假体动作发生时，通过传感器采集假体的动作，每个传感器器对应采集到一组动作数据，m个传感器将采集的m组动作数据发送到假体的控制器。
对假体的动作数据设置动作类别标签，以对动作数据进行分类，通过动作类别标签获取假体动作所属的真实动作类别和真实类别概率，得到动作数据的类别标签信息，因为每组动作数据只会属于一个动作类别，因此所属真实动作类别的真实类别概率为1，属于其它类别的概率为0。
其中，对于采集的动作数据，可以将一个动作数据作为一组，也可以将多个动作数据作为一组。当假体持续多个动作时，每个传感器则会采集多个动作的数据，则将多个动作的数据作为一组动作数据。
传感器的数量可以根据实际情况进行设定，但传感器的数量m的取值不小于2，本申请实施例中将m的数值设置为16，传感器可以但不限于采用肌电(electromyography，EMG)-惯性测量(Inertial measurement unit，IMU)传感器。本申请实施例中可以将16个肌电 EMG-IMU传感器被放置在使用者的前臂上，排列成两行，每行8个等距肌电-惯性测量传感器。
S102、分别对m组动作数据中的每组动作数据进行以下处理：根据动作数据，获取假体动作所属的预测动作类别和属于预测动作类别的预测类别概率，根据动作数据的类别标签信息和预测类别概率计算交叉熵损失，得到第一交叉熵损失。
一些实施例中，可以将动作数据输入预分类模型中，由预分类模型将动作数据映射到预分类模型中的各动作类别，得到动作数据属于每个动作类别的分类概率，其中，预测类别概率为所有分类概率中的最大值，预测动作类别为最大值对应的动作类别。
S103、获得所有第一交叉熵损失中的最小值和次小值，将最小值对应的动作数据和次小值对应的动作数据作为两组最优动作数据。
获取所有第一交叉熵损失中的最小值和次小值，将最小值对应的动作数据作为第一最优动作数据，将次小值对应的动作数据作为第二最优动作数据。
S104、选择与两组最优动作数据对应的两个传感器的信号通道。
从m个传感器中，选择第一最优动作数据对应的传感器的信号通道和第二最优动作数对应的传感器的信号通道，从中选择出两个传感器的信号通道。
本申请实施例通过获取m个传感器采集的假体动作的m组动作数据，获取与动作数据的标签类别信息交叉熵损失最小的预测分类概率对应的动作数据和次最小的预测分类概率对应的动作数据，从而在m 组动作数据中筛选出两组最优动作数据，选择两组最优动作数据对应的两个传感器的信号通道，以在后续过程中，按照获取选择的两个传感器采集的动作数据进行训练，进而实现了在不影响动作分类性能的情况下，减少后续对数据的处理量，提高了训练的速度和效率。
本申请实施例中还提供了一种假体的信号通道选择方法的具体实施方式的流程示意图，参照图2所示，该假体的信号通道选择方法包括：
S201、获取假体动作发生时m个传感器采集到的m组动作数据，以及动作数据的类别标签信息，每个传感器对应采集一组动作数据，m 为不小于2的正整数。
一些实施例中，假体动作发生时，通过安装假体的肢体上的传感器获得动作数据。例如，肢体发生了抓握动作，传感器将肢体抓握过程中的动作数据采集下来，以使假体的控制器获取到传感器采集的动作数据。
其中，动作数据包括肌电数据和惯性数据，传感器可以但不限于采用EMG-IMU传感器。具体的，EMG-IMU传感器包括：EMG传感器和IMU传感器。EMG传感器可以采集使用者肢体的肌电数据，即使用者肢体动作时的肌电信号；IMU传感器可以测量肢体的惯性数据，包括肢体的加速度、角速度及运动方向。
其中，IMU传感器包括三轴加速度计、三轴陀螺仪和三轴磁力仪，三者分别测量肢体的加速度、角速度和方向。
此外，传感器与假肢的连接方式可以为有线连接，也可以为无线连接。为便于使用者操作，避免线缆在操作过程中产生干扰，本申请实施例在传感器与假体之间采用无线连接方式。
采集动作数据后，根据假体动作类别对动作数据设置动作类别标签，根据动作类别标签获取假体动作所属的真实动作类别和真实类别概率。
S202、对动作数据进行预处理，将预处理后的动作数据输入预分类模型。
由于传感器在采集动作数据过程中会存在干扰信号，获取的动作数据中并不是所有的数据均为对分类有用的数据，还会存在干扰数据和不满足阈值的数据，因此需要通过预处理将满足阈值的有效数据提取出来，输入至预分类模型。
参照图3所示，具体的，对动作数据进行预处理包括以下步骤：
S301、对动作数据进行滤波，以去除动作数据中的干扰。
一些实施例中，动作数据中包括电磁干扰和运动干扰。本实施例中，可以采用Hampel滤波器抑制动作数据中的电磁干扰。采用4阶巴特沃思带通滤波器，将频率范围在10HZ～500HZ外的动作数据滤除，以将动作数据中的运动干扰数据去除。可以理解的是，将运动干扰数据滤波去除后，运动干扰处的采样点便会空缺，采用线性插值的方式，对滤波后的采样点进行上采样，以确保采样点不失真。
S302、对滤波后的动作数据进行特征提取，得到假体动作的动作特征。
一些实施例中，可以基于滑动窗口法对预处理后的动作数据进行特征提取，得到动作特征，并将动作特征转换为符合预分类模型的数据的标准格式。标准格式可以通过均值减法和逆标准差尺度进行标准化处理。基于上述相关实施例，动作数据包括肌电数据和惯性数据，相应的提取的动作特征包括：肌电特征和惯性测量特征。
其中，肌电特征包括波形长度、四阶自回归系数、对数方差和威尔逊幅度。
具体的，波形长度WL可以但不限于采取以下方式提取：
其中，K表示时间窗内样本个数，Sn表示第n个样本点的肌电信号。
波形长度为信号长度的简单累加，反映了肌电信号波形的复杂度，也反映了肌电信号幅值、频率以及持续时间等共同作用的效果。
四阶自回归(Autoregressive model，AR)系数可以但不限于采取以下方式提取：
其中，Sn表示第n个样本点的肌电数据，ai表示第i阶AR系数，p 表示自回归模型阶数，w(n)表示随机白噪声。
自回归模型(Autoregressive model，AR)是一种常用的时间序列模型，上述公式中，通过对p依次取1、2、3、4，代入上述公式，便可以得到四阶自回归系数。
对数方差可以但不限于采取以下方式提取：
其中，E表示中间变量，K表示时间窗内样本个数，xn表示时间窗内的第n个肌电数据，STD_LN表示对数方差。
威利森幅值(Willison Amplitude，WAMP)可以但不限于采取以下方式提取：
其中，K表示时间窗内样本个数，ε表示预定义阈值，xi表示时间窗内第i个样本点的EMG信号幅度，WAMP表示计算得到的威利森幅值，f(z)表示自定义公式。
WAMP是肌电信号的频率信息的度量，用于统计两个相邻段之间的EMG信号幅度之间的差异超过预定义阈值的次数，并且与运动单元动作点位(MUAP)和肌肉收缩力有关。
进一步的，根据滑动窗口法提取惯性测量特征向量时，可以将处理窗口内的平均值作为惯性测量特征向量，具体包括三轴的加速度、角速度和磁场，共9个特征向量。
基于上述相关实施例，对滤波后的动作数据进行特征提取后，共得到波形长度、威尔逊幅度、对数方差和四阶自回归系数，共七个肌电特征向量，以及三轴的加速度、角速度和磁场，共九个惯性测量特征向量。
S303、将动作特征输入预分类模型中。
通过上述实施例对动作数据进行滤波和特征提取后，将提取的动作特征输入到预分类模型中，以使预分类模型根据动作特征的特征向量对动作数据进行分类。
一些实施例中，将预处理后的动作数据输入预分类模型之前，需要构建预分类模型，参照图4所示，具体的训练预分类模型的过程包括：
S401、获取训练样本数据，训练样本数据包括训练动作特征和与训练动作特征对应的动作类别标签。
一些实施例中，训练样本数据可以是使用者在根据提示的动作要求，进行相应动作时采集的。具体的，以假体为假肢手为例，可以在相应的电脑上，显示出使用者需要执行的动作，如：抓握、横向抓握、三指抓握、手部张开和指动作，使用者根据提示执行相应动作后，通过传感器采集相应的动作数据，并将抓握、横向抓握、三指抓握、手部张开和指动作作为动作类别标签，对相应的动作数据所属的类别进行标注。
可以理解的是，在使用者执行过程中，可以通过周期形式执行，以将第一次采集的动作数据与第二次采集的动作数据区分开。另外，使用者在执行过程中，需要设定速度执行，最优情况下，可以采用中等速度进行，避免过快或过慢操作时，动作数据的不准确。
其中，每个动作执行次数可以但不限于10次，每次执行周期可以将8秒作为一个周期，周期中动作持续时间可以为5秒，暂停休息时间可以为3秒。
将动作采集完成后，将动作数据设置对应的动作类别标签，将采集的动作数据通过上述S301至S302进行预处理后，得到训练动作特征和训练特征对应的动作类别标签。
S402、将训练动作特征和动作类别标签输入至线性判别分析模型中，对训练样本数据进行分类训练，获得预分类模型。
通过训练动作样本训练预分类模型之后，需要通过验证样本数据对预分类模型的分类性能进行评估验证，并在验证的过程中，通过加入的验证样本数据使预分类模型不断学习，调整模型的参数，从而使模型分类更准确。具体的，在获得预分类模型之后，通过验证样本数据调整预分类模型的参数过程包括：
获取假体动作的验证样本数据，验证样本数据包括验证动作特征和验证动作特征的动作类别标签；根据每个验证样本数据的真实类别概率和预测类别概率；计算每个验证样本数据的交叉熵损失，得到第二交叉熵损失。获取所有第二交叉熵损失中的最小值，根据所有第二交叉熵损失中的最小值对预分类模型的参数进行优化。
其中，验证样本数据的获取方式可以参照上述S401步骤中训练样本数据的获取方式，此处不再进行赘述。
在一些具体实施例中，在通过训练样本数据训练预分类模型，验证样本数据对预分类模型的参数进行优化后，将训练样本数据和验证样本数据进行合并，得到合并后的样本数据，将合并后的数据集输入至预分类模型，采用十倍交叉验证法对预测类别概率准确度重新进行评估验证。
具体的采用十倍交叉验证法对预分类模型重新进行评估验证过程可以包括：将合并后的样本数据分为10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，每次试验都会得出相应的准确率 (或差错率)，将10次结果准确率的平均值作为对分类精度的估计。可以理解的是，可以进行多次十倍交叉验证法(例如10次十倍交叉验证法)，再求其均值，作为对预测类别概率准确度的估计。
S203、获得预分类模型输出的假体动作属于每个预测动作类别的分类概率，将分类概率中的最大值作为假体动作的预测类别概率，将分类概率中的最大值对应的预测动作类别作为假体动作的预测动作类别。
一些实施例中，将动作数据预处理后得到的动作特征，输入到预分类模型，预分类模型根据动作数据的特征向量映射到对应的预测动作类别中，得到假体动作属于每个动作类别的分类概率，在所有动作类别中选择分类概率中的最大值作为该假体动作的预测类别概率，分类概率中的最大值对应的预测动作类别作为假体动作的预测动作类别。
S204、根据动作数据的类别标签信息和预测类别概率计算交叉熵损失，得到第一交叉熵损失。
使用多类交叉熵损失来评估预分类模型的分类性能。交叉熵损失与动作数据的特征向量的真实类别概率分布和模型的预测类别的概率分布之间的Kullback-Leibler散度(又称作相对熵或信息散度)密切相关，Kullback-Leibler散度是一种优化算法，可以根据Kullback-Leibler 散度选择预分类模型的最优的参数。
具体的，判断真实动作类别与预测动作类别是否一致，若一致，计算预测类别概率与真实类别概率的交叉熵损失，得到第一交叉熵损失。其中，第一交叉熵损失可以通过以下过程得到，定义y∈{1，2，3...C} 表示m组动作数据的离散目标变量，对维度为N*C的Y矩阵用如下公式表示：
其中，C为预分类模型的预测动作类别，进而，多类别的交叉熵损失函数，定义为：
式中，表示动作数据j属于C类的预测类别概率。可以理解的是，在理想情况下，当每个动作数据均正确分类且每个动作数据的预测类别概率恰好为1时，交叉熵损失等于0。
计算所有动作数据的预测动作类别与动作数据的类别标签信息的第一交叉熵损失。
S205、获得所有第一交叉熵损失中的最小值和次小值，将最小值对应的动作数据和次小值对应的动作数据作为两组最优动作数据。
在一些具体实施例中，可以采用序列前向选择搜索算法对所有第一交叉熵损失逐一进行搜索比较，从中选择最小值和次小值，将最小值对应的动作数据和次小值对应的动作数据作为两组最优动作数据。
S206、选择与两组最优动作数据对应的两个传感器的信号通道。
S207、关闭m个传感器中，除选择的两个传感器的信号通道外的其余传感器的信号通道。
本申请实施例通过获取假体动作发生时m个传感器采集到的m组动作数据，以及动作数据的类别标签信息，并对动作数据进行滤波和特征提取，将提取的特征向量输入至预分类模型中，通过预分类模型输出假体动作所属的预测动作类别的预测类别概率，并对预分类模型不断训练和评估，以提高预分类模型分类的准确度。然后根据预测类别概率和动作数据的类别标签信息计算交叉熵损失，得到第一交叉熵损失，在所有第一交叉熵损失中选择最小值和次小值，将最小值对应的动作数据和次小值对应的动作数据作为两组最优动作数据，从而选择与两组最优动作数据对应的两个传感器的信号通道，关闭m个传感器中，除选择的两个传感器的信号通道外的其余传感器的信号通道，以在后续过程中，仅获取选择的两个传感器采集的动作数据，进而实现了在不影响动作分类的性能的情况下，减少后续对大量数据的处理，提高了训练的速度和效率。
基于同一构思，本申请实施例中提供了一种假体的信号通道选择装置，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，参照图5所示，该装置主要包括：
第一获取模块501，用于获取假体动作发生时m个传感器采集到的m组动作数据，以及动作数据的类别标签信息，每个传感器对应采集一组动作数据，m为不小于2的正整数。
处理模块502，用于分别对m组动作数据中的每组动作数据进行以下处理：根据动作数据，获取假体动作所属的预测动作类别和属于预测动作类别的预测类别概率，根据动作数据的类别标签信息和预测类别概率计算交叉熵损失，得到第一交叉熵损失。
第二获取模块503，用于获得所有第一交叉熵损失中的最小值和次小值，将最小值对应的动作数据和次小值对应的动作数据作为两组最优动作数据。
选择模块504，用于选择与两组最优动作数据对应的两个传感器的信号通道。
本申请实施例通过第一获取模块获取m个传感器采集的假体动作的动作数据，通过处理模块获取动作数据的类别标签信息和预测类别概率的第一交叉熵损失，第二获取模块获取与动作数据的类别标签信息交叉熵损失最小的预测分类概率对应的动作数据和次最小的预测分类概率对应的动作数据，得到两组最优动作数据，通过选择模块选择与两组最优动作数据对应的两个传感器的信号通道，以在后续过程中，按照选择的两个传感器采集的动作数据进行训练，进而实现了在不影响动作分类的性能的情况下，减少后续对数据的处理量，提高了训练的速度和效率。
基于同一构思，本申请实施例中还提供了一种电子设备，参照图6 所示，该电子设备主要包括：处理器601、通信接口602、存储器603 和通信总线604，其中，处理器601、通信接口602和存储器603通过通信总线604完成相互间的通信。其中，存储器603中存储有可被至处理器601执行的程序，处理器601执行存储器603中存储的程序，实现如上述实施例中所描述的假体的信号通道选择方法步骤。
上述电子设备中提到的通信总线604可以是外设部件互连标准 (PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该通信总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口602用于上述电子设备与其他设备之间的通信。
存储器603可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器601的存储装置。
上述的处理器601可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称 NP)等，还可以是数字信号处理器(Digital Signal Processing，简称 DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称 ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称 FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序在计算机上运行时，使得计算机执行如上述实施例中所描述的假体的信号通道选择方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)) 或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。