使用深度神经网络和交叉关节转移学习改进了基于表面电肌图的手腕力估计
Haopeng Wang1, He Wang1, Chenyun Dai2
1Department of Electrical and Computer Engineering, Worcester Polytechnic Institute, Worcester, MA 01609, USA.
Sensors (Basel, Switzerland)
|November 27, 2024
概括
使用深度神经网络 (DNN) 的转移学习 (TL) 改进了基于表面电肌图 (sEMG) 的对上肢关节的力估计. 交叉关联的TL提高了准确性和减少了数据需求,为未来研究中更大,更多样化的数据集铺平了道路.
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:
- 表面电肌图 (sEMG) 信号对于非侵入性人类运动分析至关重要.
- 深度神经网络 (DNN) 和转移学习 (TL) 显示出改善基于sEMG的力估计的前景.
- 现有的TL研究受限于关注单个联合申请,限制了数据集的大小和多样性.
研究的目的:
- 调查交叉关节TL的有效性,用于基于sEMG的两个上肢关节之间的力估计.
- 评估四种不同的DNN架构,用于这个跨关节TL应用程序.
- 为了确定捕获sEMG力依赖性的最佳滑动窗特征.
主要方法:
- 采用了四个DNN架构 (两个前,两个反复),用于基于sEMG的力估计.
- 转移学习是通过对肘部关节数据的预训练模型和对手腕数据的微调实现的.
- 在DNN模型中使用了特征工程和特征学习方法.
主要成果:
- 发现sEMG力依赖是短期的 (<400 ms),表明滑动窗口足够.
- DNN 减少了必要的滑动窗口长度,以准确估计力.
- 使用TL的卷积神经网络 (CNN) 仅使用20秒的训练数据实现了6.03 ± 0.49%的最大自愿扭矩误差,优于其他模型.
结论:
- 交叉关节TL是一种可行的策略,可以提高基于sEMG的力量估计准确度,并减少训练数据要求.
- 这些发现表明,复杂的重复结构可能不必要,并且滑窗DNN是有效的.
- 成功的交叉联合TL可以显著丰富未来的生物力学和康复的深度学习研究的数据多样性.
