複合トランスフォーマー-LSTMモデルを使用した手首と手の動きのsEMGベースの認識

科学分野:

• 生物医学工学
• ロボット
• シグナル処理

背景:

• 表面電気ミオグラフィ (sEMG) 信号は上肢リハビリテーションロボットの制御に不可欠です.
• リアルタイムで正確なsEMGベースの動きの認識は,効果的なロボット制御に不可欠です.

研究 の 目的:

• sEMG信号から手首の動きを認識するための複合型トランスフォーマー長期短期記憶 (LSTM) モデルを開発し評価する.
• 窓のサイズとインクリメントが認識性能に与える影響を評価する.
• リハビリテーションロボットの 高精度低遅延制御を可能にします

主な方法:

• 合成トランスフォーマーLSTMモデルを訓練するために収集されたsEMGデータ.
• データセットの生成とパフォーマンス評価のスライディングウィンドウ方法を使用しました.
• 異なるウィンドウサイズ (150ミリ秒から300ミリ秒) とインクリメントを調査した.
• 最終的な制御出力の決定のための多数決戦略を統合した.

主要な成果:

• トランスフォーマー-LSTMモデルは,94.68% (150msウィンドウ) から99.35% (300msウィンドウ) の高い認識精度を達成しました.
• 認識速度は0.3ミリ秒未満で記録されました.
• 組み合わせられたモデルは,最小の遅延でリアルタイム制御の能力を実証しました.

結論:

• 多数投票で開発されたトランスフォーマーLSTMモデルは,高精度,リアルタイムのsEMGベースの動作認識のための堅固なソリューションを提供します.
• このアプローチは,上肢リハビリテーションロボットにおける迅速なフィードバック制御の可能性を大幅に高めます.
• この方法はリハビリテーションロボットの 効率と反応の改善に 大きな期待を寄せています