从sEMG信号中估计步行参数,使用机器学习技术在肌肉的不同功率容量下进行测量

科学领域:

• 生物力学 生物力学
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 步态分析对于评估跌倒,体育表现和神经肌肉疾病至关重要.
• 目前的方法通常依赖于视频或可穿戴传感器,但通过表面电肌图 (sEMG) 分析肌肉活动可以提供更深入的见解.
• 从sEMG信号直接估计步行参数,特别是在不同的肌肉力量能力下,仍然是一个需要进步的领域.

研究的目的:

• 开发和验证一种方法来估计步态参数,使用来自下肢肌肉的sEMG数据.
• 调查肌肉疲劳对步态参数估计准确性的影响.
• 在这个预测任务中比较不同机器学习模型的性能.

主要方法:

• 从下肢肌肉中记录了sEMG信号,使用定制的无线设备.
• 用GaitUp Physilog®5传感器同时捕获18名参与者的步行参数.
• 四个sEMG特征 (MDF,WL,SD,SampEn) 被提取并使用随机森林,CatBoost和XGBoost模型进行分析,并进行了5倍交叉验证.

主要成果:

• 所有机器学习模型都成功估计了20个步态参数,Pearson相关系数 (PCC) 超过0.800.
• 模型的性能受到肌肉疲劳程度的显著影响.
• 该研究表明,在不同的肌肉条件下,从sEMG信号中估计步态参数的可行性.

结论:

• 从sEMG信号中估计步行参数是一种可行的方法,提供了一种全面的分析方法.
• 开发的技术显示出移动健康应用的前景,使远程和可访问的步态监测成为可能.
• 了解肌肉疲劳的影响对于基于sEMG的步态分析的可靠应用至关重要.