在端到端深度学习中利用扩展窗口,以改善持续肌电运动预测

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人类运动科学科学 人类运动科学

背景情况:

• 目前用于运动预测的表面电肌图 (sEMG) 方法受到短数据窗口 (<500毫秒) 和计算延迟的限制,阻碍了预测能力.
• 这些局限性源于传统的特征提取需要信号静止性,限制实时预测准确性.

研究的目的:

• 研究端到端卷积神经网络 (CNN) 在处理具有延长窗口长度 (250-1500毫秒) 的原始sEMG信号中的有效性,以改进移动模式预测.
• 评估不同窗口长度和预测地平线对预测准确性和预测能力的影响.

主要方法:

• 系统评估六个窗口长度 (250-1500毫秒) 和三个预测地平线 (50-150毫秒),使用端到端的CNN对原始sEMG数据进行评估.
• 持续移动任务数据包括16名参与者的8种模式和16种过渡.
• 实时模拟以评估实际条件下的性能.

主要成果:

• 最佳配置 (1000毫秒窗口,150毫秒地平线) 实现了高主体平均精度:稳定状态为96.93%,过渡状态为97.50%.
• 实时模拟准确率为95.03% (稳定) 和85.53% (短暂).
• 该方法提供了147.9毫秒的净平均预测时间,计算延迟最小 (2.1毫秒).

结论:

• 端到端的CNN与扩展的sEMG数据窗口 (高达步行周期的74%) 显著提高了机动模式预测准确性和预测能力.
• 这种深度学习方法有效地平衡了信息丰富性和系统响应性,克服了传统方法的局限性.
• 这些发现支持使用深度学习,使用更长的sEMG窗口来实现先进的人机界面和辅助技术.