向手势识别使用通道智能累积尖列车图像驱动模型.

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.
• 机器学习 机器学习

背景情况:

• 自然的人机交互依赖于从神经信号中识别手势,这对于假肢和康复至关重要.
• 当前的方法在将运动单元的神经控制信号与特定的手势联系起来时面临挑战.

研究的目的:

• 引入一种全新的通道智能累积尖峰列车 (cw-CST) 图像驱动模型 (cwCST-CNN) 进行增强的手势识别.
• 为了利用发动机单元发射的空间激活模式,以更好地区分发动机意图.

主要方法:

• 动力单元cw-CST从使用空间尖峰检测的高密度表面电肌谱的分解.
• 基于空间记录位置的图像中cw-CST的重建.
• 使用定制卷积神经网络 (cwCST-CNN) 分类手势.

主要成果:

• 拟议的cwCST-CNN在10个手势和10个受试者中实现了96.92%±1.77%的高分类准确度.
• 与基于RMS和cw-CST的排放速率方法进行比较,cwCST-CNN的性能表现优越.
• 分析表明,与RMS特征相比,cw-CST特征的手势分离性和一致性更好.

结论:

• 该cwCST-CNN模型在使用神经驱动信号的手势识别准确度方面取得了重大进展.
• 这种方法为自然的人机交互提供了新的解决方案,特别是在先进的假肢控制和康复应用中.