在康复医学中应用基于变化模式分解和ReliefF算法的sEMG手动识别方法

科学领域:

• 生物医学工程 生物医学工程
• 康复医学 康复医学 康复医学
• 信号处理 信号处理

背景情况:

• 手动意图识别对于先进的假肢控制和康复至关重要.
• 表面电肌图 (sEMG) 信号提供了对人类四肢运动的直接洞察.
• 从复杂的sEMG数据中提取有效的特征以进行准确的识别仍然具有挑战性.

研究的目的:

• 开发一种使用sEMG信号的新且准确的手动识别方法.
• 提高假肢控制和康复系统的性能.
• 从sEMG数据中有效提取和选择相关特征.

主要方法:

• 利用变化模式分解 (VMD) 将sEMG信号分解为变化模式函数 (VMF).
• 从VMF中提取四个手动意图特征,并使用ReliefF算法进行特征选择.
• 在基本手动数据集的sEMG上使用三个不同的机器学习分类器评估识别性能.

主要成果:

• 拟议的VMD-ReliefF方法在手动识别方面实现了高平均准确率99.14%.
• 优化了VMF的数量,并选择了有效的低维特征空间以改进识别.
• 与现有的手动识别技术相比,其表现优越.

结论:

• 新的VMD-ReliefF方法提供了一个非常准确的方法,用于从sEMG信号中识别手动意图.
• 这种技术显示出显著的潜力,可以提高假肢的功能,并帮助医疗保健和康复.
• 有效的特征提取和选择对于推进基于sEMG的人与计算机接口至关重要.