深度学习方法以提高识别手势的多力变化,使用截肢者的电肌图信号来改善手势的识别

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 神经修复品是一种神经修复品.

背景情况:

• 电肌图 (EMG) 信号质量对于假肢手设计中的分类器准确性至关重要.
• 肌肉收缩力的变化显著影响EMG信号解释和分类器性能.

研究的目的:

• 开发一个深度学习分类器,以改进手动手势分类.
• 研究力变化的影响对截肢者的分类器准确性的影响.
• 确定有助于分类器性能的关键EMG通道.

主要方法:

• 为手势分类开发了一个深度神经网络 (DNN) 架构.
• 从EMG信号中提取时间域特征.
• 经过训练和测试,DNN在18种6种手势和3种力级的组合中进行了训练和测试.
• 性能与支持矢量机 (SVM),决策树 (DT),K-最近邻居 (KNN) 和线性差异分析 (LDA) 进行了比较.

主要成果:

• 该DNN准确地识别了六个手势在不同的力量水平 (18组合).
• 拟议的DNN实现了92.0±6.1%的平均精度.
• 与传统分类器 (SVM,DT,KNN,LDA) 相比,DNN的平均准确性高出17.86%.

结论:

• 开发的DNN分类器对肌肉收缩力的变化具有强大耐用性.
• 通过识别多种力量的手势,DNN显示了增强假肢手的功能的巨大潜力.
• 研究结果表明,DNN方法适用于截肢者的高级假肢手部开发.