在肌电控制系统中应用尖端神经网络的可行性研究
Antong Sun1, Xiang Chen1, Mengjuan Xu1
1Department of Electronic Science and Technology, University of Science and Technology of China (USTC), Hefei, Anhui, China.
Frontiers in neuroscience
|June 28, 2023
概括
这项研究表明,尖端神经网络 (SNN) 为肌电学 (EMG) 模式识别在肌电控制系统中提供了强大的和节能的解决方案. SNN显著降低了培训负担和功耗,同时提高了准确性,使其成为实际应用的理想选择.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 尖端神经网络 (SNN) 显示出电肌图 (EMG) 模式识别的前景.
- 现有的SNN应用程序面临着重训练负载,低强度和肌电控制中的高能耗等挑战.
- 对于实际的肌电控制系统,需要基于SNN的方案来解决这些限制.
研究的目的:
- 调查基于SNN的在肌电控制中的EMG模式识别方案的可行性和有效性.
- 为应对SNN应用中电极移位,个体差异,培训负担,强度和功耗等挑战.
- 优化SNN参数,以平衡识别精度和功率效率.
主要方法:
- 采用自适应值编码,以减轻由于电极移位和个体差异而导致的EMG分布变化.
- 使用漏电整合和发火 (LIF) 神经元模型,结合电压电流效应,以增强SNN特征提取能力.
- 在高密度和低密度EMG数据集上进行手势识别实验,评估不同训练测试比率,电极转移和用户独立性的性能.
主要成果:
- 与CNN,LSTM和LDA相比,拟议的SNN方案显著减少了训练集的重复和功耗 (1-2个数量级).
- 在两个EMG数据集上的不同训练测试比率中,SNN的整体平均精度提高了0.99%14.91%.
- 在高密度EMG数据上,SNN在电极移位条件下实现了0.94%13.76%的精度改进,在用户独立的场景中实现了3.81%18.95%的精度改进.
结论:
- 基于SNN的EMG模式识别在减少用户培训负担和功耗方面提供了实质性的优势.
- 该SNN方案证明了对电极移位和用户变化的增强稳定性.
- 这些发现凸显了SNN在开发用户友好的低功耗肌电控制系统方面的重要性.
