在基于HD-sEMG的同步估计手腕关节角度和扭矩在异动力收缩期间

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:

• 建立直观的人机接口 (HCI) 对肌电控制至关重要,要求精确解码运动意图.
• 高密度表面电肌图 (HD-sEMG) 为理解神经肌肉活动提供了丰富的数据.
• 准确估计关节角度和扭矩对于有效的假肢和机器人控制至关重要.

研究的目的:

• 开发和评估一种使用HD-sEMG信号同时估计手腕关节角度和扭矩的新型解码方法.
• 调查全球注意力卷积神经网络 (GACNN) 与其他机器学习模型对肌电信号解码的有效性.
• 为了评估GACNN在解码在异动力学收缩期间手腕运动意图的性能.

主要方法:

• 收集了10名健身人士的HD-sEMG数据,他们执行了手腕异动力学曲和延伸任务.
• 开发了一个全球注意力卷积神经网络 (GACNN) 来解码HD-sEMG信号.
• 与使用NRMSE和PCC指标的支持矢量机 (SVM),残余网络 (ResNet),长短期内存 (LSTM),基于变压器的模型 (TBM),基于肌肉协同的图形注意力网络 (MSGAT-LSTM) 和空间时间特征提取网络 (STFEN) 的GACNN性能进行了比较.

主要成果:

• 与SVM,LSTM,ResNet和STFEN相比,GACNN在估计手腕关节角度和扭矩方面表现显著优越.
• 在特定的估计场景中,GACNN也表现优于TBM和MSGAT-LSTM.
• 在所有受试者中,GACNN的平均性能指标是0.080 ± 0.013的正常化根平均平方误差 (NRMSE) 和0.955 ± 0.016.16的皮尔森相关系数 (PCC).

结论:

• 拟议的GACNN模型整合了全球关注机制,显著提高了从HD-sEMG信号中解码运动意图的准确性.
• 这种先进的解码能力为开发更自然,更响应的人与计算机交互系统提供了巨大的希望.
• 这些发现强调了基于注意力的神经网络在推进肌电控制应用中的潜力.