基于相子的肌电协同功能:一个快速手工制作的特征提取方案,以提高步行阶段识别性能

科学领域:

• 生物医学工程 生物医学工程
• 康复工程 康复工程 康复工程
• 人与计算机的交互

背景情况:

• 表面电肌图信号 (EMG) 对于下肢辅助设备的肌电控制至关重要.
• 传统的机器学习模型在基本的姿势和摆动阶段之外,还需要复杂的步行阶段识别.

研究的目的:

• 引入和评估一种基于相位器的通用特征提取方法 (PHASOR),用于增强步态相位识别.
• 提高线性差异分析 (LDA) 和支向量机 (SVM) 模型在识别五个不同的步态阶段方面的性能.

主要方法:

• 利用40个受试者的公开可用的数据集来评估PHASOR特征提取方法.
• 将PHASOR与现有的最先进的功能集和深度学习架构 (火箭,迷你火箭) 相比较.
• 使用可分离性指数 (SI) 和平均半主轴 (MSA) 分析来评估特征有效性.

主要成果:

• PHASOR表现出强的性能,平均SI为7.7和MSA为0.5,表明从EMG数据中有效解码步行阶段.
• 支持矢量机 (SVM) 使用五倍离开一次试验的方法实现了82%的准确性,超过了火箭和迷你火箭.
• 据证明,PHASOR方法与深度学习方法具有竞争力,提供高效的特征提取.

结论:

• 通过使用EMG信号,PHASOR特征提取方法显著提高了步态相位识别的准确性.
• 像PHASOR这样的新型特征提取方案可以与基于EMG的步态分析中的深度学习方法竞争.
• 这一进步有望为辅助设备提供更复杂和响应更快的肌电控制系统.