通过基于自动编码器的特征校准器提高肌电模式识别的稳定性到电极转移.

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 电极转移显著影响肌电模式识别 (MPR) 系统的稳定性.
• 现有的解决方案在电极转移下努力平衡插电兼容性和高分类准确性.

研究的目的:

• 为肌电模式识别 (MPR) 系统开发一种新的自适应校准方法,以克服电极移位的挑战.
• 为了提高MPR系统的稳定性和准确性,而不需要额外的校准数据.

主要方法:

• 一种特征转换方法 (插值,转换,下方采样) 产生了模拟的转移特征地图.
• 一个自动编码器网络通过最小化重建错误来学习弹性特征表示.
• 训练有素的自动编码器作为分类器的独立特征校准器.

主要成果:

• 在电极转移条件下,拟议的方法在电极转移条件下实现了87.20±3.53%的分类精度.
• 基于自编码器的校准器显著超过了三种常见的比较方法 (p < 0.05).
• 这种方法证明了有效地减轻电极转移干扰.

结论:

• 开发的基于自动编码器的特征校准器为增强MPR系统对电极转移的稳定性提供了实用解决方案.
• 这种方法提高了分类准确性和插件兼容性,无需额外校准,推进了MPR技术.