Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same journal

From pixels to length: Body length estimation of aquatic macroinvertebrates from digital images for ecological applications.

MethodsX·2026
Same journal

Sorbent-coated metal discs for time-integrated VOC sampling: A reproducible workflow coupled to SPME-GC/MS.

MethodsX·2026
Same journal

Step-by-step <i>En face</i> O red oil method for aortic plaque staining and quantification in ApoE knockout mouse.

MethodsX·2026
Same journal

Optimized protocols for culturing and sectioning mouse intestinal organoids: enhancing efficiency and structural integrity.

MethodsX·2026
Same journal

MCLF: Montage consistent CNN-Liquid fusion for long-term scalp EEG seizure detection.

MethodsX·2026
Same journal

Facile synthesis of model polystyrene nanoparticles for nanoplastics research.

MethodsX·2026
查看所有相关文章

相关实验视频

Updated: May 22, 2025

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
08:15

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision

Published on: March 28, 2025

336

"优化sEMG手势识别与堆叠自编码器神经网络的生物手"

Mr Amol Pandurang Yadav1,2, Dr Sandip R Patil2

  • 1All India Shri Shivaji Memorial Society's Institute Of Information Technology, India.

MethodsX
|March 12, 2025
PubMed
概括
此摘要是机器生成的。

本研究介绍了一种使用堆叠自编码神经网络的深度学习方法,用于表面电肌图 (sEMG) 的手势识别. 这种方法显著提高了假肢控制和康复技术的准确性.

关键词:
深度学习,堆叠的神经网络.功能提取 功能提取姿势识别,假肢控制以及手势识别.层次的表示表示层次的表示.在 MATLAB 中,我们可以使用 MATLAB.机器学习是机器学习.尼纳普罗数据库是一个数据库.绩效评价 绩效评价 绩效评价 绩效评价现实世界中的应用,ADAMS康复技术 康复技术 康复技术坚固性 坚固性信号处理 信号处理堆叠的自编码神经网络 (SAE)表面电肌图 (sEMG) 是一种表面电肌图.时间依赖性时间依赖性

更多相关视频

Surface Electromyographic Biofeedback as a Rehabilitation Tool for Patients with Global Brachial Plexus Injury Receiving Bionic Reconstruction
09:14

Surface Electromyographic Biofeedback as a Rehabilitation Tool for Patients with Global Brachial Plexus Injury Receiving Bionic Reconstruction

Published on: September 28, 2019

11.4K
The Bionic Clicker Mark I & II
08:23

The Bionic Clicker Mark I & II

Published on: August 14, 2017

16.4K

相关实验视频

Last Updated: May 22, 2025

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
08:15

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision

Published on: March 28, 2025

336
Surface Electromyographic Biofeedback as a Rehabilitation Tool for Patients with Global Brachial Plexus Injury Receiving Bionic Reconstruction
09:14

Surface Electromyographic Biofeedback as a Rehabilitation Tool for Patients with Global Brachial Plexus Injury Receiving Bionic Reconstruction

Published on: September 28, 2019

11.4K
The Bionic Clicker Mark I & II
08:23

The Bionic Clicker Mark I & II

Published on: August 14, 2017

16.4K

科学领域:

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

背景情况:

  • 表面电肌图 (sEMG) 信号对于假肢控制至关重要,但在准确的手势识别方面存在挑战.
  • 现有的方法往往难以区分手势的微妙变化,限制了假肢的功能.
  • 深度学习为高级特征提取和复杂sEMG模式的分类提供了潜力.

研究的目的:

  • 开发和评估一种新的深度学习方法,用于增强sEMG手势识别.
  • 为了提高从sEMG数据分类人类手势的精度和稳定性.
  • 探索堆叠自编码神经网络 (SAE) 对基于sEMG的复杂任务的有效性.

主要方法:

  • 使用最大重叠离散波段转换 (MODWT) 来分解sEMG信号,以提取频率组件.
  • 每个受试者提取了28个时间域特征,包括统计和光谱参数.
  • 一个堆叠的自编码神经网络 (SAE) 已经实施了层次特征学习和分类.

主要成果:

  • 该SAE模型实现了超过100%的分类准确性,明显优于最初的自动编码器 (77.96%±1.24) 和线性差异分析 (LDA) (65.36%±1.09) 分类器.
  • 深度学习方法表现出在掌握组内区分类似手势的卓越能力.
  • 通过Matlab-ADAMS共同模拟在ADAMS中模拟的3D手模块被用来验证这些发现.

结论:

  • 堆叠自编码神经网络为sEMG手势识别提供了强大而有效的深度学习解决方案.
  • 这种先进的方法具有显著的潜力,可以提高假肢控制系统的性能.
  • 这些发现强调了深度学习在推进康复技术和人机界面方面的价值.