Video Experimental Relacionado
Updated: Sep 10, 2025
08:15
Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
Published on: March 28, 2025
737
Reconocimiento de movimientos de muñeca y mano basado en sEMG utilizando un modelo compuesto de transformador-LSTM
Chaonan Zhang1, Shuzhang Liang2
1The Experimental School, The Open University of China, Beijing, China.
The Review of scientific instruments
|August 27, 2025
Resumen
Un nuevo modelo de transformador-LSTM reconoce con precisión los movimientos de muñeca y mano de las señales de electromiografía de superficie (sEMG) para controlar robots de rehabilitación. Este método logra una alta precisión y velocidad, lo que permite una retroalimentación robótica en tiempo real.
Área de la Ciencia:
- Ingeniería biomédica
- La robótica
- Procesamiento de señales
Sus antecedentes:
- Las señales de electromiografía de superficie (sEMG) son vitales para controlar los robots de rehabilitación de las extremidades superiores.
- El reconocimiento preciso y en tiempo real de los movimientos basados en sEMG es esencial para un control eficaz del robot.
Objetivo del estudio:
- Desarrollar y evaluar un modelo compuesto de memoria a corto plazo (LSTM) para el reconocimiento de movimientos de muñeca y mano a partir de señales sEMG.
- Evaluar el impacto del tamaño de la ventana y el incremento en el rendimiento del reconocimiento.
- Para permitir un control de alta precisión y baja latencia para robots de rehabilitación.
Principales métodos:
- Datos de sEMG recogidos para entrenar un modelo compuesto de transformador-LSTM.
- Se utiliza un método de ventana corredera para la generación de conjuntos de datos y la evaluación del rendimiento.
- Se han investigado ventanas de diferentes tamaños (de 150 a 300 ms) e incrementos.
- Integró una estrategia de votación por mayoría para la determinación final de la producción de control.
Principales resultados:
- El modelo transformador-LSTM logró altas precisiones de reconocimiento, que oscilan entre el 94,68% (ventana de 150 ms) y el 99,35% (ventana de 300 ms).
- Las velocidades de reconocimiento fueron excepcionalmente rápidas, registradas en menos de 0,3 ms.
- El modelo combinado demostró la capacidad de control en tiempo real con un retraso mínimo.
Conclusiones:
- El modelo transformador-LSTM desarrollado con votación por mayoría proporciona una solución robusta para el reconocimiento de movimientos basado en sEMG de alta precisión y en tiempo real.
- Este enfoque mejora significativamente el potencial de control de retroalimentación rápida en la robótica de rehabilitación de las extremidades superiores.
- El método ofrece una promesa sustancial para mejorar la eficacia y la capacidad de respuesta de los robots de rehabilitación.
