基于BP神经网络的分析,分析了NMF在侧向切割中的适用性
Zhengye Pan1, Lushuai Liu1, Xingman Li1
1College of Physical Education and Sports, Beijing Normal University, Beijing, China.
Heliyon
|April 24, 2024
概括
非负矩阵因子化 (NMF) 在切割运动中有效提取肌肉协同作用. 主要组件分析 (PCA) 和独立组件分析 (ICA) 可能会丢失关键的移动信息,而NMF会保存更多的数据.
科学领域:
- 生物力学 生物力学
- 发动机控制器的控制器
- 信号处理 信号处理
背景情况:
- 切割过程中的肌肉激活模式是复杂的.
- 分析切割过程中的肌肉协同作用的因子化方法还没有得到很好的定义.
- 通过这些方法减少维度时的信息损失是不确定的.
研究的目的:
- 为了确定NMF,PCA和ICA在缩小维度过程中保留了多少运动信息.
- 确定分析切割运动的最合适的分解因子方法.
主要方法:
- 骨盆质量中心的动力学数据是使用Vicon运动捕捉技术捕获的.
- 在各种角度切割时,使用NMF,PCA和ICA分析了表面肌电图 (sEMG) 数据,以提取肌肉协同作用.
- 一个回向传播的神经网络被用来预测从肌肉协同作用的部部件的骨盆运动.
- 包括Hurst指数计算在内的碎形分析应用于肌肉协同作用的时间组成部分.
主要成果:
- 与NMF和PCA相比,ICA显示出明显更高的sEMG重建质量 (P<0.01).
- NMF表现出高程度的运动保存.
- ICA导致在摇摆阶段信息丢失,而PCA则丢失了与方向变化相关的信息.
- 赫斯特指数值在所有切割角度都始终低于0.5,表明了复杂的时间动态.
结论:
- 推使用NMF来提取所有切割方向的肌肉协同作用,因为它非常适合切割.
- 在分析切割协同作用时,PCA和ICA可能会导致流动相关信息丢失.
- 在切割过程中肌肉协同作用的高个体间变化可能导致信息丢失.
