根据sEMG和改进的DenseNet网络,识别受影响手的运动意图
Qunfeng Niu1, Lei Shi1, Yang Niu1
1College of Electrical Engineering, Henan University of Technology, Zhengzhou, China.
Heliyon
|March 6, 2024
概括
这项研究优化了截肢者机器人手的表面肌电图 (sEMG) 控制. 一个改进的DenseNet模型使用更少的电极准确地识别运动意图,增强生物手的功能.
科学领域:
- 生物医学工程 生物医学工程
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 表面电肌图 (sEMG) 是控制机器人手的关键,可以推断截肢者的运动意图.
- 深度学习,特别是卷积神经网络 (CNN),显示出基于sEMG的手势识别的前景.
- 现有的方法经常使用许多电极和健康受试者的数据,对截肢者造成不便.
研究的目的:
- 为跨辐射截肢者开发一个高效的基于sEMG的运动意图识别系统.
- 为了减少用于精确控制仿生机器人手所需的电极数量.
- 改善假肢手掌控制系统的日常可用性和实用性.
主要方法:
- 利用了Ninapro DB3数据库中的跨辐射截肢者的sEMG数据.
- 引入了基于短时间里叶变换 (STFT) 的sEMG信号的时间频率特征融合图.
- 提出了一种改进的密集卷积网络 (DenseNet) 模型,用于动作意图识别.
- 开发了皮尔森相关性和运动意图识别率 (PCMIRR) 算法,以优化电极数量.
主要成果:
- 改进的DenseNet模型实现了高识别准确性 (93.82%),回忆 (93.61%) 和F1评分 (93.65%).
- 通过PCMIRR算法将电极使用量优化为8个通道,进一步提高了识别精度,达到94.50%.
- 使用最小数量的sEMG通道,证明精确地识别截肢者的运动意图.
结论:
- 拟议的STFT特征图和改进的DenseNet模型有效地从sEMG信号中识别截肢者的运动意图.
- PCMIRR算法成功地减少了所需的sEMG通道的数量,而不会影响准确度.
- 这项研究为基于sEMG的生物机器人手的先进控制提供了一种新而实用的方法.
