LSTM-MSA:一种具有双阶段注意力机制的新型深度学习模型 前臂基于EMG的手势识别手势识别

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 电肌图 (EMG) 信号对于控制假肢,帮助康复和实现人机交互至关重要.
• 由于信号非静止性和噪声,EMG信号分析面临着挑战.
• 现有的方法可能会与复杂的EMG信号模式作斗争.

研究的目的:

• 介绍长期短期记忆与双阶段注意 (LSTM-MSA) 模型,用于先进的EMG信号分析.
• 提高从噪音和非静止EMG数据预测预期的行动的准确性和稳定性.
• 为现实世界的EMG应用提供一个可适应的模型.

主要方法:

• 开发了一种具有双阶段注意力 (LSTM-MSA) 架构的新型长短期记忆.
• 集成端到端的特征提取和分类.
• 整合了个性化的培训策略.
• 利用双阶段的注意力机制,专注于相关的信号特征.

主要成果:

• 该LSTM-MSA模型在各种EMG数据集中表现出卓越的性能.
• 在F1得分,准确性,回忆和精度方面取得了显著的改进.
• 展示了针对信号非静止性和噪声的增强强性.

结论:

• LSTM-MSA模型为EMG信号分析提供了强大而适应性的解决方案.
• 这种方法显著提高了EMG技术在现实世界中应用的潜力.
• 该模型的双阶段注意力和集成设计有助于其高性能.