一个新的TCN-LSTM混合模型,用于基于sEMG的手腕关节角度的连续估计
Jiale Du1, Zunyi Liu1, Wenyuan Dong1
1College of Electromechanical Engineering, Qingdao University of Science and Technology, Qingdao 266000, China.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
这项研究引入了一种TCN-LSTM模型,用于从表面电肌图 (sEMG) 信号中预测手腕关节角度. 与独立的TCN或LSTM方法相比,组合模型显著提高了预测准确性.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 表面电肌图 (sEMG) 信号提供了对人类运动意图的洞察力,但由于其非线性和非光滑性质,对关节角度估计具有挑战性.
- 准确的关节角度预测对于先进的人机交互 (HMI) 至关重要.
研究的目的:
- 开发和验证使用sEMG信号进行连续手腕运动估计的新型关节角度预测模型.
- 通过结合时间卷积网络 (TCN) 和长短期记忆 (LSTM) 网络,提高手腕关节角度预测的准确性.
主要方法:
- 提出了一种混合TCN-LSTM模型,利用TCN用于局部特征提取和LSTM捕获sEMG数据中的长期依赖.
- 该模型在Ninapro DB1数据集上进行了训练和验证,重点关注手腕曲,肘部偏差和伸展/关闭的手动.
- 与独立的TCN和LSTM模型相比,使用根平均平方误差 (RMSE) 和确定系数 (R2) 评估了性能.
主要成果:
- TCN-LSTM模型表现出比单个的TCN和LSTM模型更优异的性能.
- 实现了0.064的平均RMSE,比TCN减少41%,比LSTM减少52%.
- 获得了0.93的平均R2,比TCN提高11%,比LSTM提高18%.
结论:
- 拟议的TCN-LSTM模型有效地预测了sEMG信号的手腕关节角度,优于传统方法.
- 这种混合方法为HMI中准确的运动估计提供了强大的解决方案.
- 这些发现强调了结合TCN和LSTM用于复杂的生理信号分析的潜力.
