在多个CNN中使用来自原型舒适性测试的sEMG图像进行特征识别
You-Lei Fu1, Wu Song2, Wanni Xu3
1School of Design and Fashion, Zhejiang University of Science and Technology, Hangzhou 310023, China; Anji-ZUST Research Institute, Huzhou 313301, China.
Computer methods and programs in biomedicine
|November 11, 2023
概括
本研究探讨使用深度学习卷积神经网络 (CNN) 与表面电肌图 (sEMG) 信号进行身体姿势识别. 与其他CNN模型相比,DenseNet表现出卓越的准确性和训练效率.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 表面电动图 (sEMG) 信号越来越多地用于身体姿势识别.
- 深度学习,特别是卷积神经网络 (CNN),在分析sEMG数据方面表现有前途.
- 了解人与产品的相互作用和身体的舒适性对于产品设计至关重要.
研究的目的:
- 开发一种使用sEMG和CNN的综合方法来分析人与产品的相互作用和身体舒适性.
- 为了比较基于sEMG的姿势识别的不同CNN架构的性能.
- 确定一个最佳的CNN模型,以便进行准确和高效的分析.
主要方法:
- 进行了原型可用性实验,以收集sEMG测量结果.
- sEMG数据被分类并分为训练和测试数据集.
- 四个CNN模型 (LeNet-5,VGGNet-11,InceptionNet V4,DenseNet) 用于sEMG图像识别. 这是一个非常简单的模型.
主要成果:
- 丹森网,一个深度的CNN,表现出卓越的表现.
- 与InceptionNet V4.4相比,DenseNet在使用更少的层实现了更高的准确性.
- 丹斯网展示了增强的功能重复使用,更容易的培训,规范化效应,并减轻了梯度问题.
结论:
- 这些发现表明DenseNet是sEMG分析的合适CNN模型.
- 这种方法可以作为评估sEMG信号的身体舒适度的工具.
- 开发的模型可以帮助设计更好的人与人接触产品,而无需频繁的再培训.
更多相关视频
10:14Author Spotlight: Enhancing Neurorehabilitation Through EEG, Motor Imagery, and Virtual Reality
Published on: May 10, 2024
1.0K
11:31Functional Near Infrared Spectroscopy of the Sensory and Motor Brain Regions with Simultaneous Kinematic and EMG Monitoring During Motor Tasks
Published on: December 5, 2014
15.2K