合成sEMG信号用于手势使用一个1DDCGAN
Mohamed Amin Gouda1, Wang Hong1, Daqi Jiang1
1Department of Mechanical Engineering and Automation, Northeastern University, Shenyang 110819, China.
Bioengineering (Basel, Switzerland)
|December 23, 2023
概括
生成对抗网络 (GAN) 可以创建现实的表面电肌图 (sEMG) 信号用于假肢控制. 这种人工的sEMG增强了训练,提高了准确性,并确保了研究可重复性,用于先进的假肢开发.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 现代假肢依赖于人工智能,该人工智能经过表面电肌图 (sEMG) 信号的训练.
- 当前的sEMG数据采集导致用户不适和疲劳.
- 有限的sEMG数据共享阻碍了假肢研究和可复制性.
研究的目的:
- 提出和验证一种新的方法,用于生成高质量的sEMG信号,使用1D深度卷积GAN (1DDCGAN).
- 为应对假肢控制数据采集和研究局限性的挑战.
- 为了提高sEMG数据的实用性,用于假肢开发.
主要方法:
- 使用1DDCGAN架构来合成sEMG信号用于手势.
- 整合了动态时间扭曲,快速里埃转换和波纹作为区分器输入.
- 使用两个数据集评估合成sEMG质量,通过窗口/增量进行特征提取,Mantle测试和分类器两样本测试.
主要成果:
- 1DDCGAN成功生成了高质量的sEMG信号,这些信号保持了特征之间的相关性.
- 合成的信号与原来的sEMG数据非常相似.
- 通过生成的数据,分类准确性平均提高了1.21-5%.
结论:
- 1DDCGAN是生成合成sEMG数据的可行解决方案,克服了现实数据采集的局限性.
- 拟议的方法增强了数据增强,减少了培训时间,并提高了对假肢控制的分类准确性.
- 这种方法促进了研究的可重现性,并促进了更复杂的AI驱动假肢的开发.
