基于CORDIC的低复杂性手动识别设计方法,用于康复和假肢应用
概括
这项研究引入了一种低复杂度的系统,用于识别使用电肌图 (EMG) 信号的手动,这对于康复至关重要. 新方法比现有技术要复杂得多,而且比现有技术更准确.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 康复技术 康复技术 康复技术
背景情况:
- 电肌图 (EMG) 信号分析对于康复和假肢应用至关重要,特别是对于神经肌肉疾病.
- 现有的基于EMG的手动识别系统面临着由于高计算复杂性和功耗的限制,这阻碍了它们在资源有限的环境中使用.
- 当前的方法通常涉及计算密集的算法,如集体实证模式分解 (EEMD),快速独立组件分析 (FastICA) 和线性差异分析 (LDA),这些算法很难在低复杂度的硬件上实现.
研究的目的:
- 为EMG信号开发一种低复杂度的手动识别方法,适用于资源有限的康复应用.
- 用更高效的K-Means集群算法取代计算密集的线性差异分析 (LDA) 分类器.
- 通过采用基于CORDIC的K-Means集群方法来进一步降低计算复杂性.
主要方法:
- 建议使用单通道EMG数据进行手动识别的新设计方法.
- 线性差异分析 (LDA) 分类被替换为K-Means集群,以减少计算负载.
- 基于CORDIC的K-Means集群算法被实施以优化系统的复杂性.
主要成果:
- 与传统的基于LDA的分类相比,基于CORDIC的K-Means集群方法实现了99.77%的复杂性降低.
- 新的方法表明,使用单通道EMG数据对七种手动进行分类的准确性增加了1.28%.
- 该系统旨在实现低复杂性和高效运行,解决电力消耗和芯片内面积限制.
结论:
- 开发的基于CORDIC的K-Means集群方法为基于EMG的手动识别提供了更高效和更准确的解决方案.
- 这种方法非常适合资源有限的康复应用,使得开发更容易获得和更有效的辅助技术成为可能.
- 这些发现突出了低复杂度算法的潜力,在推进可穿戴和可植入的生物医学设备方面.
