经常性神经网络启用从不完整的sEMG信号下肢关节的持续运动估计

科学领域:

• 生物医学工程 生物医学工程
• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习

背景情况:

• 使用表面电肌图 (sEMG) 精确解码人类运动对于智能外骨架机器人至关重要.
• 由传输问题或传感器脱离引起的不完整的sEMG信号会阻碍运动识别的准确性和临床可靠性.

研究的目的:

• 从不完整的sEMG信号开发一个强大的多任务并行学习框架,用于从不完整的sEMG信号进行持续人类运动估计.
• 在现实应用中解决缺失和异常sEMG数据所带来的挑战.

主要方法:

• 剩余网络与循环神经网络的集成,以重建缺失的sEMG信号.
• 应用注意力机制以优化信号重量分布.
• 开发一个联合优化的损失函数,用于同时处理异常和估计运动.

主要成果:

• 拟议的模型实现了低于5度的平方根平均误差,最多60%的sEMG数据丢失.
• 即使在多通道电极脱离的情况下,也证明了最先进的估计性能,误差仅增加1度.

结论:

• 多任务并行学习框架有效地重建不完整的sEMG信号,以准确的连续运动估计.
• 这种方法显著提高了外骨架机器人的可靠性和智能,在临床和各种炼场景.