基于表面电动图信号,预测和安装人类上肢的非线性动态抓地力
Zixiang Cai1, Mengyao Qu2, Mingyang Han2
1School of Chemistry and Chemical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
研究人员使用神经网络从肌肉信号中预测人体握力. 这种方法准确地模拟动态握力,显示了智能假肢和虚拟现实应用的潜力.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器人技术 机器人技术 机器人技术
背景情况:
- 准确预测人类上肢的动态握力对于先进的假肢和虚拟现实系统至关重要.
- 表面电肌图 (sEMG) 提供了一种非侵入性的方法来捕捉与握力相关的肌肉活动.
研究的目的:
- 开发和验证使用sEMG信号的非线性动态抓地力预测模型.
- 使用时间序列神经网络建立前臂肌肉sEMG和握力之间的映射关系.
主要方法:
- 使用了一个非线性自回归与外源输入 (NARX) 神经网络模型.
- 在动态条件下获取三通道的sEMG和抓力数据.
- 应用数据预处理技术,包括异常值去除,波形变异和基线偏移校正.
- 比较规范化随机梯度下降 (BRSGD) 和结合梯度 (CG) 训练策略.
主要成果:
- 纳克斯模型在预测动态握力方面表现出高准确性和稳定性.
- 结合梯度 (CG) 训练策略显著减少了训练时间,而不会降低性能.
- 通过10个层和20个时间延迟实现了最佳模型性能.
结论:
- 拟议的基于sEMG的NARX模型有效地预测了人类上肢的动态握力.
- 这些发现表明,在智能假肢和虚拟现实接口中,强力控制具有实际实用性.
- 这种方法提供了一种可靠的方法,可以将肌肉活动转化为精确的力量控制信号.
