在电肌图信号中的手势分类,用于实时假肢手掌控,使用卷积神经网络增强通道注意力模型

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:

• 准确和实时的手势识别对于自主假肢手的功能至关重要.
• 表面电肌图 (sEMG) 信号为控制假肢设备提供了一个可行的途径.
• 现有的方法在sEMG数据的特征提取和降噪方面面临挑战.

研究的目的:

• 开发一个先进的模型,用于精确和实时的sEMG手势识别.
• 为了提高假肢手系统的控制能力.
• 使用sEMG信号来提高手势检测的准确性和稳定性.

主要方法:

• 一个卷积神经网络增强的道注意力 (CNN-ECA) 模型被用于sEMG手势识别.
• 预处理策略涉及Butterworth低通波和快速希尔伯特变换 (FHT) 用于信封信号提取.
• 实施了多数投票窗口技术,以改进预测结果.

主要成果:

• 该CNN-ECA模型证明了功能提取的改进,并专注于关键的sEMG数据.
• 拟议的预处理策略有效地减少了噪音,并捕获了必要的生理信息.
• 多数投票技术进一步提高了手势识别模型的准确性和稳定性.

结论:

• 集成的CNN-ECA模型与先进的信号处理为实时假肢手掌控提供了强大的解决方案.
• 这种方法可以实现精确的精细运动,大大提高了假肢手的技术.
• 这项研究强调了开发复杂,用户友好的假肢系统的有希望的方向.