通过使用随机卷积核转换的表面电动图对手和手腕运动进行分类.
Daniel Ovadia1, Alex Segal2, Neta Rabin3
1Department of Biomedical Engineering, Tel Aviv University, Tel Aviv, Israel.
Scientific reports
|February 20, 2024
概括
本研究引入了一种使用随机卷积内核转换 (ROCKET) 的新机器学习方法,以改善假肢控制. 该方法增强了表面肌电图 (sEMG) 信号分类,以获得更好的假肢功能和用户满意度.
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
- 机器学习 机器学习
背景情况:
- 电动上肢假肢的高拒绝率 (~30%) 源于功能,控制和可靠性问题.
- 有效的人机界面对于用户接受和改善截肢者的生活质量至关重要.
- 表面肌电图 (sEMG) 信号分类为自然假肢控制提供了一个有前途的途径.
研究的目的:
- 通过使用sEMG时间序列数据,提高手和手腕运动的分类准确性.
- 开发一种强大,计算效率高,精确的假肢控制方法.
- 通过更好的控制,提高用户对假肢设备的满意度.
主要方法:
- 利用一种新的方法,将随机卷积内核转换 (ROCKET) 的变化结合起来,用于特征提取.
- 使用交叉验证梯分类器进行sEMG信号分类.
- 在已建立的数据集上测试了算法:UCI sEMG手动,Ninapro DB5和DB7.
主要成果:
- 在从sEMG信号分类手和手腕运动时实现了高的区分精度.
- 证明ROCKET与简单的线性分类器相结合,可以产生最先进的结果,并降低计算复杂度.
- 展示了拟议方法的最小参数调整要求.
结论:
- 拟议的基于ROCKET的特征提取和梯分类方法在假肢控制方面取得了重大进展.
- 这种方法提供了一种可靠,具有成本效益的解决方案,用于提高假肢功能和用户接受度.
- 进一步的开发可能会导致更直观和响应的假肢设备,增强截肢者的自主权.
更多相关视频
09:14Surface Electromyographic Biofeedback as a Rehabilitation Tool for Patients with Global Brachial Plexus Injury Receiving Bionic Reconstruction
Published on: September 28, 2019
11.5K
08:15Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
Published on: March 28, 2025
484
