训练和校准数据对上肢截肢者的基于表面电动图识别的影响
Pan Yao1,2,3, Kaifeng Wang4, Weiwei Xia4
1State Key Laboratory of Transducer Technology, Aerospace Information Research Institute (AIR), Chinese Academy of Sciences, Beijing 100094, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
校准和足够的训练数据显著改善了面电肌图 (sEMG) 对智能假肢的手势识别. 增加训练,而不是试验,提高了上肢截肢者的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 人与计算机的交互
背景情况:
- 基于表面电肌图 (sEMG) 的手势识别对于智能假肢至关重要.
- sEMG数据的时间变化降低了当前识别模型的效率.
- 了解校准和训练数据的影响对于提高性能至关重要.
研究的目的:
- 评估不同校准数据对sEMG手势识别精度的影响.
- 评估培训数据量对截肢者的基准绩效的影响.
- 提出增强跨会话手势识别模型的策略.
主要方法:
- 收集了两名上肢截肢者的七次sEMG数据.
- 使用了公开可用的Ninapro DB6数据集,来自十名健康受试者.
- 分析了校准数据和不同数量的训练数据对识别准确性的影响.
主要成果:
- 校准数据改善了截肢受试者的平均精度3.03%,截肢受试者的平均精度6.16%,以及Ninapro DB6数据集的平均精度9.73%.
- 增加培训次数被证明比增加培训试验更有效,以提高准确性.
- 确定了增强交叉会议模型的关键因素.
结论:
- 校准和足够的跨会话培训数据对于商业化智能假肢至关重要.
- 最大限度地利用数据集的策略对于改善模型性能至关重要.
- 这些发现为更强大,更可靠的假肢控制系统提供了基础.
