基于sEMG和CNN-TL融合模型的下肢运动识别

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 康复技术 康复技术 康复技术

背景情况:

• 对下肢运动的准确分类对于开发有效的康复和辅助设备至关重要.
• 使用表面电肌图 (sEMG) 的现有方法在分类准确性上有局限性.

研究的目的:

• 提出和评估一种新的融合识别模型,CNN-Transformer-LSTM (CNN-TL),用于使用sEMG数据增强下肢运动分类.

主要方法:

• 收集了来自20名受试者的sEMG数据,他们进行了四种不同的下肢运动:上楼,下楼,在平面上行走,.
• 预处理的sEMG数据和提取的时间和频率域特征.
• 开发并将CNN-TL模型与CNN-LSTM,CNN和支持矢量机 (SVM) 模型进行比较.

主要成果:

• 与其他模型相比,CNN-TL模型实现了更高的分类准确性.
• 具体来说,CNN-TL的表现超过了CNN-LSTM的3.76%,CNN的5.92%和SVM的14.92%.

结论:

• 拟议的CNN-TL模型在基于sEMG信号的下肢运动分类方面表现出卓越的性能.
• 这种融合模型提供了一种有效的方法,用于在康复和辅助技术中推进运动功能.