从声学肌图使用深波波段散射变换和长短期记忆来估计手力

科学领域:

• 生物医学工程 生物医学工程
• 康复工程 康复工程 康复工程
• 信号处理 信号处理

背景情况:

• 表面电肌图 (sEMG) 信号对于动力假肢至关重要,但面临着处理挑战.
• 需要替代的控制信号来广泛实施上肢假肢的临床应用.

研究的目的:

• 研究声学肌图 (AMG) 作为上肢假肢的新型控制信号.
• 开发和验证一种方法,用AMG信号来估计肌肉力量.

主要方法:

• 使用高灵敏度阵列麦克风和定制外获取AMG信号.
• 应用波纹散射变换 (WST) 来从AMG信号中提取特征.
• 利用长短期记忆 (LSTM) 神经网络来预测来自AMG特征的力.

主要成果:

• 在WST-LSTM模型中,平均实现了约8%的标准化根平均平方误差 (NRMSE).
• 该模型在不同的窗口大小和测试方案中表现出强度.
• AMG信号与使用手动动力表测量的力变化可靠地相关联.

结论:

• 声学肌图 (AMG) 信号可以有效地用于估计肌肉力量水平.
• WST-LSTM模型为假肢控制提供了一种强大而准确的方法.
• 这项研究为假肢中更自然,更准确的人机接口铺平了道路.