在使用BiLSTM-GRU网络的机器人辅助操纵任务中,疲劳诱导的生理震的实证分类
Poongavanam Palani1, Siddhant Panigrahi1, Gunarajulu Renganathan2
1Robotics Laboratory, Department of Engineering Design, Indian Institute of Technology Madras, Chennai, India.
Frontiers in rehabilitation sciences
|July 8, 2025
概括
这项研究开发了一种新方法来使用混合BiLSTM-GRU模型对疲劳诱导的生理震 (FIPT) 阶段进行分类. 该系统实现了99%的准确性,帮助外科医生和潜在的其他运动障碍诊断.
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:
- 生理震,通常是由疲劳或压力引起的,可以严重影响微手术的精度.
- 目前的方法缺乏在关键过程中震进展的预测能力.
- 早期检测和分类震阶段对于患者的安全和程序的成功至关重要.
研究的目的:
- 提出一种新的传感方法来分类疲劳诱导生理震 (FIPT) 的渐进阶段.
- 开发和评估一种混合双向的长期短期记忆神经网络,并配备一个门式循环单元 (BiLSTM-GRU),用于震分类.
- 整合横截面面积变化与运动信号,以增强震分析.
主要方法:
- 从20名健康参与者中收集了EMG,MMGACC信号和MMGCSAC (横截面区域变化),这些参与者执行了一项模式追踪任务.
- 通过重复任务和5次重复的中间练习引起的疲劳.
- 使用混合BiLSTM-GRU模型,具有四个不同的输入特征集,用于分类FIPT的五个阶段.
主要成果:
- 拟议的特征集和BiLSTM-GRU分类策略准确估计了FIPT阶段.
- 实现了99%的分类准确度,在震阶段识别方面表现出高效率.
- 模型的性能被验证使用准确性,精度,回忆和F1得分指标.
结论:
- 开发的方法有效地以高准确度对疲劳诱导的生理震阶段进行分类.
- 这种方法可以为高级外科培训平台的设计提供信息,并为外科医生提供决策支持.
- 震识别方法在病理性震康复和其他运动障碍诊断中具有应用潜力.
