一个多标签的深度残留收缩网络,用于实时高密度表面电肌图分解
Jinting Ma1, Lifen Wang1, Renxiang Wu1
1School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, Shenzhen, Guangdong, China.
Journal of neuroengineering and rehabilitation
|May 9, 2025
概括
一个新的算法,ML-DRSNet,显著提高了精度,并减少了从表面电肌图 (sEMG) 识别动力单元尖峰列车 (MUSTs) 的延迟. 这一进步对于实时神经接口控制至关重要.
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.
- 信号处理 信号处理
背景情况:
- 从表面电肌图 (sEMG) 准确识别动力单元尖峰列车 (MUSTs) 对于实时神经接口控制至关重要.
- 现有的sEMG分解方法存在高延迟或低准确性,阻碍了实际应用.
研究的目的:
- 引入一个新的实时高密度sEMG (HD-sEMG) 分解算法,ML-DRSNet.
- 为了提高精度和减少sEMG分解的延迟,以提高神经接口性能.
主要方法:
- 开发了ML-DRSNet,将多标签学习与深度残留收缩网络 (DRSNet) 结合起来.
- 在公开的sEMG数据集上评估了ML-DRSNet,将其与ML-DCNN和MT-DCNN进行比较.
- 使用各种窗口和步骤大小测试算法性能.
主要成果:
- 与ML-DCNN (0.71 ± 0.24) 和MT-DCNN (0.66 ± 0.16) 相比,ML-DRSNet实现了显著更高的分解精度 (0.86 ± 0.18).
- ML-DRSNet的延迟时间 (15.15毫秒) 比ML-DCNN (69.36毫秒) 和MT-DCNN (76.96毫秒) 低得多.
结论:
- 在MUST分解中,ML-DRSNet和ML-DCNN算法显著提高了准确性和实时性能.
- 这些进展为神经信息驱动的运动意图识别和疾病评估提供了基础.
