基于sEMG和ACC信号融合的运动疲劳识别多层次注意力机制

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 信号处理 信号处理

背景情况:

• 疲劳分析对于预防伤害和优化性能至关重要.
• 现有的运动监测设备往往缺乏成本效益或全面的疲劳评估能力.
• 整合多模式传感器数据 (sEMG,ACC) 为稳健的疲劳监测提供了一个有前途的方法.

研究的目的:

• 开发一个负担得起和可靠的运动监测系统,用于详细的疲劳分析.
• 调查结合sEMG和ACC信号的特征融合策略的有效性.
• 在卷积神经网络 (CNN) 中实施和评估一个多层次的注意力机制,以提高疲劳分类.

主要方法:

• 表面电肌图 (sEMG) 和加速度计 (ACC) 信号的特征融合.
• 开发一种局部特征注意力机制,通过振幅包增强波形特征.
• 应用双级注意力机制 (通道和神经元水平) 对高维的融合数据.
• 使用卷积神经网络 (CNN) 进行分类,以多层次的注意力进行优化.

主要成果:

• 当地特征注意机制显著提高了分类准确性和趋同性.
• 多层次的注意力优化CNN模型表现出卓越的准确性 (高达92.52%) 和概括性.
• 该系统有效地处理数据与伪文物,显示强度.
• 计算分析证实,CNN对CNN培训和测试时间的影响最小.

结论:

• 拟议的系统为可穿戴式运动监测和疲劳分析提供了具有成本效益和可靠的解决方案.
• 多层次的注意力机制有效地提高了特征提取和分类性能.
• 这项研究为开发先进,负担得起的可穿戴疲劳监测设备提供了技术支持.