为EMG信号分类优化RNN:使用灰狼优化的新策略
Marcos Aviles1, José Manuel Alvarez-Alvarado1, Jose-Billerman Robles-Ocampo2,3
1Facultad de Ingeniería, Universidad Autónoma de Querétaro, Santiago de Querétaro 76010, Mexico.
Bioengineering (Basel, Switzerland)
|January 22, 2024
概括
循环神经网络 (RNN) 在对上肢运动的电肌图 (EMG) 信号进行分类时达到100%的准确性,性能优于支向量机 (SVM) 并提供更快的分类速度.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 精确的电肌图 (EMG) 信号分类对于开发先进的生物医学应用和假肢非常重要.
- 循环神经网络 (RNN) 在处理序列数据方面表现有前途,使其适合分析动态EMG信号.
研究的目的:
- 评估和比较不同RNN架构 (LSTM,GRU,双向RNN) 与支持矢量机器 (SVM) 的性能,用于对EMG信号进行分类.
- 评估这些模型对五种不同的右上肢运动的准确性和分类速度.
主要方法:
- 使用Butterworth波器预处理EMG信号,并将其细分为250毫秒的窗口,覆盖190毫秒.
- 使用灰狼优化来调整GRU,LSTM和双向RNN架构的参数.
- 通过将分类准确度和响应时间与SVM进行比较来评估性能.
主要成果:
- 所有评估的RNN架构都实现了100%的分类准确性,超过了SVM在初始阶段93%的准确性.
- 长短期记忆 (LSTM) 显示出0.12毫秒的最快分类速度,紧随其后的是GRU和双向RNN.
- 在第二阶段,RNN保持高精度 (96.38%-98.46%),而SVM性能没有详细说明.
结论:
- 循环神经网络,特别是LSTM,在EMG信号分析方面提供了更高的准确性和更快的分类速度,与SVM等传统方法相比.
- 这些发现强调了RNN在诸如假肢控制和人机交互等领域的实时应用中的潜力.
