评估卷积神经网络架构用于神经驱动器从高密度表面电肌图解码

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:

• 卷积神经网络 (CNN) 模型,包括1D和3D CNN,在解码来自高密度表面电肌图 (HD-sEMG) 信号的神经驱动器方面表现有前途.
• 使用相同数据集进行神经驱动解码的1D与3DCNN的比较性能仍未得到充分探索.

研究的目的:

• 评估和比较1D CNN和3D CNN模型在提取神经驱动器作为累积尖峰列车 (CST) 的性能.
• 调查关键参数,特别是窗口和步骤大小对两种CNN维度的解码精度的影响.
• 评估与神经驱动器解码的1D和3DCNN模型相关的计算成本.

主要方法:

• 利用了三名参与者的胃肌肌肉的实验性HD-sEMG数据集.
• 经过训练和验证的1D CNN和3D CNN模型将神经驱动器解码为累积尖峰列车 (CST).
• 使用F1分数和相关系数与各种窗口和步骤大小的卷积内核补偿 (CKC) 算法进行模型性能比较.

主要成果:

• 1D CNN以更大的窗口大小 (80-120个样本) 实现了峰值性能 (F1得分:0.84,相关性:0.94).
• 3D CNN在较小的窗口尺寸 (20-40个样本) 中达到峰值性能 (F1得分:0.83,相关性:0.92),这表明延迟较低.
• 两种模型都显示了随着步骤大小的增加而降低了性能,3D CNN的计算要求明显更高 (938G FLOP与1D CNN的60G FLOP相比).

结论:

• 在基于HD-sEMG的神经驱动器解码的1D和3D CNN架构之间存在显著差异.
• 最佳的参数选择 (窗口/步骤大小) 是至关重要的,并且在1D和3D CNN之间有所不同,以最大限度地提高准确性并最大限度地减少延迟.
• 这些发现为精确和实时的神经驱动器解码应用选择适当的CNN模型和参数提供了指导.