优化卷积神经网络的性能,以提高使用sEMG的手势识别

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:

• 深度神经网络 (DNN) 对肌电控制 (MEC) 是有前途的,但由于优化而面临实时应用延迟.
• 优化DNN超参数对于提高MEC系统性能和减少延迟至关重要.

研究的目的:

• 研究基于卷积神经网络 (CNN) 的MEC系统的最佳配置.
• 为基于DNN的MEC提出一个有效的数据细分技术和一套概括的超参数.

主要方法:

• 与不同细分和重叠大小的分离和重叠数据细分策略进行了比较.
• 采用贝叶斯优化来抽象和解决DNN超参数优化问题.
• 收集了20名健康个体的表面电肌图 (sEMG) 数据,他们进行了10次抓取动作.

主要成果:

• 叠加细分技术,最佳细分大小为200ms和80%的重叠,显著优于不连接的细分 (p <0.05).
• 贝叶斯优化实现了0.08 ± 0.03的平均分类错误率 (CER),超过了手动,网格和随机搜索方法.
• 在所有受试者中测试时,具有最佳超参数的通用CNN架构产生了0.09 ± 0.03的整体CER.

结论:

• 在MEC应用中,重叠细分技术优越.
• 贝叶斯优化为MEC系统中调整CNN超参数提供了一种有效的策略.
• 拟议的通用CNN架构和优化的超参数为假肢控制和人机接口提供了实际的改进.