多尺度注意力补丁编码器网络:一种可部署的模型,用于从表面电肌图信号中持续估计手动力学.
Chuang Lin1, Qiong Xiao2, Penghui Zhao3
1The School of Information Science and Technology, Dalian Maritime University, Dalian, 116026, China. linchuang_78@126.com.
Journal of neuroengineering and rehabilitation
|December 30, 2024
概括
这项研究引入了一个新的网络,sMAPEN,用于使用表面电动图 (sEMG) 信号进行精确的同时和比例控制 (SPC). 这种先进的模型实现了高精度和速度,实现了实时的人机交互应用.
科学领域:
- 生物医学工程 生物医学工程
- 人与机器的互动 人与机器的互动
- 信号处理 信号处理
背景情况:
- 表面电动图 (sEMG) 信号对于人机交互 (HMI) 是至关重要的.
- 现有的基于sEMG的控制的连续运动估计方法在准确性和推断速度方面存在局限性.
- 高精度的方法通常超过200毫秒的推断时间,并且支持不到15次的手动,限制了HMI应用.
研究的目的:
- 开发一种新的深度学习模型,用于使用sEMG信号进行增强的同时和比例控制 (SPC).
- 克服现有方法在预测准确性,推断速度和可控制运动数量方面的局限性.
- 通过改进基于sEMG的控制来实现更复杂和响应的HMI应用程序.
主要方法:
- 提出了一个流的多尺度注意力补丁编码器网络 (sMAPEN).
- sMAPEN集成了用于局部时空特征提取的多尺度注意力融合 (MAF) 模块和用于全球特征采集的补丁编码器 (PE) 模块.
- 加入了光滑层,以提高预测稳定性.
主要成果:
- 在40个受试者的40个手动中,sMAPEN模型实现了0.9082的平均皮尔森相关系数 (CC),0.0646°的正常化根平均平方误差 (NRMSE) 和0.8163的R2.
- 在所有指标上,性能显著超过了最先进的方法 (p < 0.01).
- 在便携式设备上部署显示了低推理延迟97.93 ms.
结论:
- 该sMAPEN模型准确地预测了多达40个手动,在准确度上超越了现有的方法.
- 它的轻量级设计显著提高了推断速度,促进了在可穿戴设备上部署.
- 这些进步表明sMAPEN在推进HMI应用方面有很大的潜力.
