基于使用sEMG信号的极端学习机器算法的连续触摸到抓取的运动识别
Cristian D Guerrero-Mendez1,2, Alberto Lopez-Delis3, Cristian F Blanco-Diaz4,5
1Faculty of Mechanical, Electronics and Biomedical Engineering, Antonio Nariño University (UAN), Bogota D.C, Colombia. crguerrero69@uan.edu.co.
Physical and engineering sciences in medicine
|July 2, 2024
概括
使用极端学习机器 (ELM) 的新机器学习算法有效地识别了用户在从表面肌电图 (sEMG) 信号的触摸到抓取运动中的意图. 这一进步有望改善对假肢和康复设备的控制.
科学领域:
- 康复工程 康复工程
- 生物医学信号处理
- 机器学习应用 机器学习应用
背景情况:
- 在先进的康复工程中,识别用户在触摸到抓取动作中的意图至关重要.
- 表面肌电图 (sEMG) 为捕获运动控制信号提供了一种可行的,非侵入性的方法.
- 现有的方法在准确解释复杂的连续运动方面面临挑战.
研究的目的:
- 开发和评估基于极端学习机器 (ELM) 的机器学习 (ML) 算法,用于在连续的伸向抓取动作期间识别运动动作.
- 探索各种特征提取技术及其对ELM性能的影响.
- 将拟议的ELM方法与传统的ML分类器进行比较.
主要方法:
- 利用了来自12名参与者进行连续的伸手抓手运动的公开数据集的表面电肌图 (sEMG) 数据.
- 实施了极端学习机器 (ELM) 模型,该模型包含从时间域和自动回归模型中提取特征.
- 研究的参数包括神经元大小,时间窗口,特征集和主体间的可变性,与五个标准ML分类器进行性能比较.
主要成果:
- 基于ELM的方法实现了高性能指标:准确度>85%,F-score>90%,回忆>85%,曲线下的面积~84%.
- 计算成本 (编译时间) 非常低,低于1毫秒,明显优于传统方法 (p<0.05).
- 分析揭示了与任务识别和连续运动期间的时间动态相关的特定性能趋势.
结论:
- 开发的基于ELM的方法准确地从myoelectric数据中识别连续的reach-to-grasp意图.
- 该方法的效率和高性能表明,在人机界面 (HMI) 控制中,实际应用的巨大潜力.
- 这项研究为更有效的上肢假肢和实时康复铺平了道路,提高了日常生活活动和生活质量.
