一种新的双边数据融合方法,用于EMG驱动的深度学习,用于中风后的Paretic手势识别

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:

• 卒中幸存者经常经历运动障碍,需要有效的神经康复工具.
• 电肌图 (EMG) 信号提供了一种可行的方法来检测残余运动功能.
• 深度学习模型显示,分析复杂的生物信号,如EMG,是有前途的.

研究的目的:

• 开发和评估一种混合深度学习模型,用于在亚急性中风患者中使用EMG信号进行手势识别.
• 为了评估模型的性能随着时间的推移和跨越不同数量的手势类.
• 引入和验证一种新的双边数据融合技术,以改善有限数据的模型性能.

主要方法:

• 一个单维的卷积长期短期记忆 (CNN-LSTM) 神经网络被设计用于EMG信号处理.
• 从25名亚急性中风患者收集了两次数据,形成了A和B数据集.
• 实施了一种双边数据融合方法,其中包括非性四肢EMG信号.

主要成果:

• 在数据集和手势类别中,CNN-LSTM模型实现了81.69%至88.36%的分类准确率.
• 双边数据融合显著提高了灵敏度,特异性,准确性和F1分数.
• 三个手势子集的分类准确性随着数据融合而增加了5%以上.

结论:

• 混合CNN-LSTM模型与双边数据融合证明了中风患者有效的手势识别.
• 这种方法为神经康复应用提供了一个有希望的,无特征工程的方法.
• 这些发现突显了先进机器学习在个性化中风恢复方面的潜力.