通过深度学习方法基于sEMG信号的下肢关节角度的连续在线预测
Qiuzhi Song1, Xunju Ma2, Yali Liu1
1School of Mechatronical Engineering, Beijing Institute of Technology, Beijing, 100081, China; Institute of Advanced Technology, Beijing Institute of Technology, Jinan, 250300, China.
Computers in biology and medicine
|June 14, 2023
概括
这项研究引入了一种使用长期短期记忆 (LSTM) 神经网络和表面电肌图 (sEMG) 信号的新方法,用于准确地在线预测人类关节角度,增强人机合作.
科学领域:
- 生物医学工程 生物医学工程
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 准确的在线预测人类关节角度对于有效的人机合作控制至关重要.
- 目前的方法可能依赖于有限的传感器类型,需要更强大的预测框架.
研究的目的:
- 通过长短期记忆 (LSTM) 神经网络,提出和评估一个在线预测人类关节角度的框架,仅使用表面电肌图 (sEMG) 信号.
- 为了比较仅使用sEMG预测的性能与多式联络输入,并与其他机器学习算法进行基准测试.
主要方法:
- 收集了来自八个腿部肌肉的sEMG信号,以及来自五个受试者的关节角度/脚部压力数据.
- 在线特征提取和标准化后,使用sEMG (单模) 和sEMG结合足部压力 (多模) 输入训练了一个LSTM模型.
- 将拟议的LSTM模型与其他三种流行的机器学习算法进行比较.
主要成果:
- 在预测关节角度方面,LSTM模型实现了高准确度,根平均平方误差低至1.63°,Pearson相关系数高达0.9935.
- 对于LSTM模型,在单模输入 (仅sEMG) 和多模输入之间没有观察到显著的性能差异.
- 提出的基于sEMG的LSTM方法在预测准确性方面超过了其他机器学习算法.
- 预测准确性在支阶段通常更好,而不是在行走的摇摆阶段.
结论:
- 拟议的基于LSTM的框架只使用sEMG信号准确地在线预测人类关节角度.
- 这种方法为单传感器方法提供了强大的替代方案,并大大提高了人机合作.
- 这些发现突显了sEMG驱动的预测对于先进的人机交互的潜力.
