用EMG手势信号分析来诊断上肢使用双通道卷积神经网络
Hafiz Ghulam Murtza Qamar1, Muhammad Farrukh Qureshi2, Zohaib Mushtaq3
1School of Electrical Engineering, Yanshan University, Qinhuangdao, Hebei 066104, China.
Mathematical biosciences and engineering : MBE
|June 14, 2024
概括
一个新的双通道卷积神经网络 (DP-CNN) 有效地分析了电肌图信号,以改善无障碍者和截肢者的肌电控制. 这种先进的模型显示了与现有方法相比显著的性能增长.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 电肌图 (EMG) 信号对于理解肌肉活动至关重要.
- 分析复杂的EMG数据以进行假肢控制仍然具有挑战性.
- 开发基于EMG的人与计算机交互的强大的算法是必不可少的.
研究的目的:
- 引入和评估一种新的双通道卷积神经网络 (DP-CNN) 架构.
- 评估DP-CNN在来自多通道EMG信号的Log-Mel光谱图上的表现.
- 为了验证DP-CNN在各种数据集中的有效性,包括有能力和截肢的受试者.
主要方法:
- 开发一种新的双通道卷积神经网络 (DP-CNN).
- 从原始多通道电肌图信号生成的Log-Mel光谱图像的分析.
- 在NinaPro DB1,DB2和DB3数据集上使用准确度,精度,回忆和F1分数进行全面的性能评估.
主要成果:
- 据悉,DP-CNN的平均精度很高:健康人群中的94.93% (DB1),健康人群中的94.00% (DB2),截肢人群中的85.36% (DB3).
- 与基线方法相比,表现出显著的性能改善:28.33% (DB1),26.92% (DB2) 和39.09% (DB3).
- 超越了图像分类的转移学习模型,证实了DP-CNN的有效性.
结论:
- 该DP-CNN架构在分析EMG衍生的光谱图方面提供了强大的性能.
- 该模型显示了肌电控制应用的重大进展.
- 据悉,DP-CNN有望提高假肢设备和人机接口的能力.
关键词:
卷积神经网络是一种卷积神经网络.电动肌谱学 电动肌谱学 电动肌谱学这是手势识别,是手势识别.罗格·梅尔光谱图 (log mel spectrogram) 是一个光谱图.尼娜亲子尼娜亲子上肢上的上肢是什么意思更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.3K
09:14Surface Electromyographic Biofeedback as a Rehabilitation Tool for Patients with Global Brachial Plexus Injury Receiving Bionic Reconstruction
Published on: September 28, 2019
11.5K