减轻电极转移对电子肌图应用中的分类性能的影响,使用滑动窗口规范化

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 康复技术 康复技术 康复技术

背景情况:

• 电肌图 (EMG) 信号对于假肢,辅助设备和康复非常重要.
• 性能限制包括跨主题概括问题,电极移位和每日信号变化.
• 现有的解决方案,如转移学习,需要额外的数据收集和再培训.

研究的目的:

• 研究一种用于实时EMG预测的新型滑动窗正常化 (SWN) 技术.
• 为了解决由电极移位和每日变化引起的性能下降.
• 为了提高基于EMG的应用稳定性,而无需进行广泛的再培训.

主要方法:

• 开发并验证了一个滑窗正常化 (SWN) 技术.
• SWN将z-score规范化与滑动窗口处理合并在一起.
• 来自右臂轨迹跟踪任务 (三种运动类别) 的实验数据用于验证.

主要成果:

• 在没有再培训的情况下,SWN减轻了精度降低到-1.0%,比基线改善6.6%.
• 该技术在通道中对齐EMG振幅,减少对电极位移的灵敏度.
• 将SWN与多姿势训练相结合,超过了无转变条件的准确性2.4%.

结论:

• SWN有效地减轻了由于电极移位和变化而导致的EMG性能下降.
• 该方法可以通过单个电极位置的数据进行训练,简化实际应用.
• SWN为基于EMG的实时人机接口提供了强大而高效的解决方案.