使用惯性测量单元与卷积注意力神经网络和小规模数据集估计步行期间的电肌活动
Wenqi Liang1, Hafiz Muhammad Rehan Afzal1, Yongyu Qiao1
1Key Laboratory for Space Bioscience and Biotechnology, School of Life Sciences, Northwestern Polytechnical University, Xi'an, China.
Journal of biomechanics
|April 14, 2024
概括
这项研究介绍了MuscleGAN,这是一种使用惯性测量单位 (IMU) 准确估计肌肉活动 (EMG) 的新型深度学习方法,即使数据有限. 这种便携式方法显示出临床和日常使用的潜力.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 可穿戴技术可穿戴技术
背景情况:
- 估计肌肉活动 (电肌图 - EMG) 是至关重要的,但传统的方法是复杂的,不适合在现实世界中使用.
- 使用惯性测量单元 (IMU) 的深度学习 (DL) 提供了一个便携式解决方案,但由于临床数据有限,性能受到影响.
- 在低数据场景中,数据增强技术在提高DL模型性能方面未得到充分利用.
研究的目的:
- 开发一种新的DL模型,用于使用IMU在行走过程中准确估计EMG外.
- 创建基于模型的数据增强方法,以提高DL模型性能,使用小数据集.
- 评估拟议的两阶段方法与现有技术进行概括和准确性对比.
主要方法:
- 一个基于时间卷积网络的生成对抗网络 (MuscleGAN) 为数据增强而开发.
- 创建了一个独立于主体的回归DL模型来估计EMG信封.
- 该研究使用IMU和小规模数据集进行模型开发和验证.
主要成果:
- 与现有方法相比,提出的两阶段方法证明了优越的概括性和估计性能.
- 肌肉GAN增强改善了EMG信封估计的准确性,从70%提高到72%.
- 取得了0.72的皮尔森相关系数和0.13的正常化平方根平均误差.
结论:
- 由MuscleGAN增强的开发的DL模型使用最小的IMU数据准确估计下肢EMG包裹.
- 这种方法显示出在临床环境和日常生活中应用的巨大潜力,因为它具有便携性和易于使用.
- 该研究强调了基于模型的数据增强在改善数据稀缺环境中的DL性能方面的有效性.
