调制器肌电控制 - 是时候改变算法焦点了吗?
概括
深度学习 (DL) 在电动图 (EMG) 分析中显示出运动识别的希望,但像波形长相相 (WLPHASOR) 和多信号波形长 (MSWL) 这样的轻量级方法提供了更低复杂度的竞争性准确性.
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:
- 电肌图 (EMG) 信号分析对于手,手腕和手指运动识别至关重要.
- 深度学习 (DL) 算法越来越多地使用,但具有高的计算成本,限制了临床翻译.
- 研究正在探索减少复杂性的模型和传统/混合方法来识别EMG模式.
研究的目的:
- 将最先进的DL算法 (ROCKET) 与传统的EMG特征提取方法的性能进行比较.
- 评估轻量化方法 (WLPHASOR,RMSPHASOR) 和一种新的混合方法 (MSWL) 进行EMG模式识别.
- 通过评估EMG分析中的绩效差距,挑战DL主导地位的叙述.
主要方法:
- 使用22名参与者进行11次手/手腕运动的EMG数据进行比较研究.
- 使用了两个EMG腕带 (10和8通道) 和开源的LibEMG工具箱.
- 将随机卷积核转换 (ROCKET) 与波形长相相 (WLPHASOR),根-平均-平方相 (RMSPHASOR) 和多信号波形长 (MSWL) 进行比较.
主要成果:
- 在ROCKET,WLPHASOR和RMSPHASOR之间没有显著的精度差异 (87%的平均精度).
- MSWL显著提高了性能,平均准确率达到90%.
- ROCKET+MSWL的组合实现了最高的平均准确率91%.
结论:
- 与先进的DL相比,轻量级的传统和混合EMG特征提取方法提供了具有竞争力的性能.
- 拟议的MSWL方法提高了EMG模式识别的准确性,特别是与DL结合使用时.
- 研究结果表明,需要重新评估EMG分析中的算法重点,平衡性能与计算效率.


