一个强大的肌电模式识别框架基于单个电机单元活动与电极阵列转移的移动
Haowen Zhao1, Xu Zhang1, Xiang Chen1
1School of Microelectronics at University of Science and Technology of China, Hefei, Anhui, China.
Computer methods and programs in biomedicine
|September 28, 2024
概括
本研究引入了一种新的方法,用于校准使用动力单元 (MU) 活动的肌电模式识别 (MPR) 中的电极移位. 这种方法通过利用微观的神经驱动信息,显著提高了MPR的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 信号处理 信号处理
背景情况:
- 电极转移是肌电模式识别 (MPR) 精度的一个主要挑战.
- 目前的方法依赖于全球表面电肌图 (SEMG) 特性,过度简化了人类的运动.
- 来自单个电机单元 (MU) 的微观神经驱动信息在强大的MPR中未得到充分探索.
研究的目的:
- 开发一种用于校准MPR中的电极阵列转移的新方法.
- 通过整合个别的MU活动来增强MPR的稳定性.
- 为了利用先进的SEMG分解进行精确的移位检测和校正.
主要方法:
- 从原来的电极位置使用分解的MU训练了一个神经网络.
- 根据动力单元动力电位 (MUAP) 波形的空间分布,跟踪和配对的MU来确定转移向量.
- 使用MPR的确定的移向向量来纠正移动MU的特征.
主要成果:
- 在检测电极移位方面实现了100%的准确性.
- 在模式识别方面达到近100%的准确性,明显优于传统方法 (p < 0.05).
- 在转移检测和MPR准确性方面都表现出卓越的性能.
结论:
- 拟议的方法有效地使用分解的MUAP波形的空间分布进行电极移位校准.
- 这项研究提供了一个新的工具来提高肌电控制系统的稳定性.
- 将微观神经驱动信息纳入个体MU层面,可以提高MPR的性能.
