基于MMG的膝盖动态延伸力估计使用交叉谈话和IGWO-LSTM

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 运动科学 运动科学 运动科学

背景情况:

• 机械肌图 (MMG) 测量肌肉生理活动,反映运动单元的招募和收缩频率.
• MMG可以估计骨肌肉力量,但受阻于交叉对话和时间序列相关性,影响动态力估计的准确性.
• 准确的动态肌肉力量估计对于开发先进的可穿戴和辅助设备至关重要.

研究的目的:

• 调查使用来自单个肌肉的MMG信号与减少交叉谈话是否可以提高膝盖动态延伸力估计的准确性.
• 开发和验证一种新的深度学习模型,用于增强动态膝盖伸展力估计.
• 提高未来康复和辅助设备的灵活性和交互能力.

主要方法:

• 提出了一个假设,即单个肌肉的MMG信号与较少的交叉通话增强力估计的准确性.
• 通过比较各种肌肉信号特征组合的估计结果来验证假设.
• 开发了一种改进的灰狼优化器,优化了长期短期记忆网络 (IGWO-LSTM) 用于力估计.

主要成果:

• 来自单个肌肉的MMG信号与较少的交叉谈话在估计动态膝盖伸展力方面表现优越.
• 拟议的IGWO-LSTM模型与现有最先进的模型相比,实现了最佳的性能指标.
• 该研究证实了关于减少MMG信号交叉话语的好处的假设,以估计力.

结论:

• 利用来自单个肌肉的MMG信号,最小化交叉谈话,可以有效地准确地估计动态膝盖伸展力.
• 基于MMG的IGWO-LSTM模型代表了基于MMG的力量估计的重大进步,其表现优于其他模型.
• 这项研究有助于了解四头肌收缩机制,并推进可穿戴康复和辅助技术.