表面电磁图传感和颗粒式手势识别用于康复性倒任务:一个案例研究

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 康复技术 康复技术 康复技术

背景情况:

• 表面电肌图 (sEMG) 记录肌肉的电活动,用于运动意图分析.
• 在康复中现有的sEMG应用集中在一般手势上,对复杂的日常任务的研究有限.
• 在日常生活中必不可少的倒动作需要复杂的肌肉控制,并且在基于sEMG的手势识别中还没有得到充分的研究.

研究的目的:

• 开发一种先进的深度学习模型,使用sEMG准确识别复杂的日常手势.
• 研究颗粒计算和特征融合在提高手势识别准确性的有效性.
• 改进康复技术和用于恢复运动功能的辅助系统.

主要方法:

• 采用了基于ConvMixer架构的深度学习方法.
• 集成了颗粒式计算原理,以增强模型的处理能力.
• 功能融合,将深度学习功能与手工制作的功能相结合,被用来提高性能.

主要成果:

• 拟议的ConvMixer模型在识别基于sEMG的手势方面取得了很高的准确性.
• 整合手工制作的功能带来了显著的性能改善,精度从0.9512提高到0.9929.
• 这些发现证明了基于颗粒式计算的方法对复杂的手势识别的有效性.

结论:

• 开发的深度学习模型显示了增强康复和辅助技术的巨大潜力.
• 通过先进的sEMG分析,可以准确地识别诸如倒水之类的复杂日常行为.
• 这项研究为更复杂的系统铺平了道路,以帮助个人恢复运动功能.