基于MCR-ALS的肌肉协同提取方法与LSTM神经网络相结合,用于运动意图检测

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 表面电肌图信号 (sEMG) 呈现出可变性,挑战了随时间和不同受试者的运动意图检测准确性.
• 像NMF和PCA这样的传统方法对从sEMG数据中连续测定上肢关节角度有局限性.
• 跨任务的肌肉协同一致性为改善长期检测准确性提供了潜力.

研究的目的:

• 开发和验证一种强大的肌肉协同提取方法,用于增强运动意图检测.
• 改进使用来自不同主体和采集时间的sEMG信号进行肘部关节角度的连续估计.
• 为了比较一种新的MCR-ALS方法与NMF和PCA对sEMG特征提取的疗效.

主要方法:

• 提出了一种新的方法,将多变量曲线解析交替最小平方 (MCR-ALS) 结合起来,用于用长短期记忆 (LSTM) 神经网络提取肌肉协同效应.
• 使用MCR-ALS,NMF和PCA将分解的sEMG信号转化为肌肉协同作用,并利用得到的激活矩阵作为特征.
• 经过训练和测试的LSTM模型使用sEMG特征和来自多个受试者和天的相应肘部关节角度数据,通过相关系数测量准确度.

主要成果:

• 在检测肘部关节角度方面,MCR-ALS-LSTM方法实现了超过85%的准确性,明显优于基于NMF和PCA的方法.
• 对来自不同受试者和不同获取时间点的sEMG数据的运动意图检测准确度有所提高.
• 验证了为sEMG信号处理提出的MCR-ALS方法的稳定性和有效性.

结论:

• 在神经网络应用中,MCR-ALS肌肉协同提取方法显著提高了sEMG信号的稳定性.
• 这种创新方法通过改善生理信号利用,有助于更可靠的人机交互系统.
• 这些发现支持使用MCR-ALS在各种现实场景中进行准确和一致的运动意图检测.