融合启动和变压器网络用于从表面电肌图学中持续估计手指动力学

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 人与计算机的交互

背景情况:

• 解码表面电肌图 (sEMG) 对于自然的人机交互 (HCI) 至关重要.
• 现有的模型可能难以在顺序的sEMG数据中捕获本地和全球信息.

研究的目的:

• 引入一种新的深度学习模型,即Fusion Inception and Transformer网络 (FIT),用于基于sEMG的运动意图识别.
• 评估FIT在从sEMG信号中预测手关节角度方面的表现.

主要方法:

• 利用Ninapro数据集与10个实验对象的sEMG信号进行了6次手抓动.
• 开发了FIT模型,集成Inception和Transformer网络来处理顺序数据.
• 将FIT与时间卷积网络 (TCN),长期短期存储器 (LSTM) 和双向编码器从变压器 (BERT) 进行比较,使用PCC,RMSE和R平方度量.

主要成果:

• 与TCN,LSTM和BERT相比,FIT模型在估计关节角度方面取得了更高的性能.
• FIT在低计算成本 (培训和推断时间) 的情况下表现出了出色的估计准确性.
• 使用皮尔森相关系数 (PCC),根平均平方误差 (RMSE) 和R平方 (R2) 验证了性能.

结论:

• 拟议的FIT模型有效地从sEMG信号中解码人类运动意图.
• 在HCI中,FIT为稳定和自然控制提供了一个有前途的解决方案,具有显著的实际价值.
• 模型的效率和准确性有助于辅助技术和机器人的进步.