基于sEMG的手腕手动识别使用复合变压器-LSTM模型
Chaonan Zhang1, Shuzhang Liang2
1The Experimental School, The Open University of China, Beijing, China.
The Review of scientific instruments
|August 27, 2025
概括
一个新的变压器LSTM模型精确地从表面电肌图 (sEMG) 信号中识别手腕和手的运动,用于控制康复机器人. 这种方法实现了高精度和速度, 实现了实时机器人反.
科学领域:
- 生物医学工程
- 机器人技术
- 信号处理
背景情况:
- 表面电肌图 (sEMG) 信号对于控制上肢康复机器人至关重要.
- 基于sEMG的实时准确识别对于有效的机器人控制至关重要.
研究的目的:
- 开发和评估一个复合变压器长期记忆 (LSTM) 模型,用于识别sEMG信号中的手腕和手的运动.
- 评估窗口大小和增量对识别性能的影响.
- 为了实现高精度,低延迟的康复机器人控制.
主要方法:
- 收集的sEMG数据用于训练复合变压器-LSTM模型.
- 采用移动窗口方法来生成数据集和绩效评估.
- 研究了不同的窗口大小 (150毫秒到300毫秒) 和增量.
- 整合了多数投票策略来确定最终的控制输出.
主要成果:
- 变压器LSTM模型实现了高识别精度,从94.68% (150毫秒窗口) 到99.35% (300毫秒窗口).
- 识别速度非常快,记录在0.3毫秒以下.
- 组合模型展示了实时控制与最小延迟的能力.
结论:
- 开发的具有多数投票的变压器LSTM模型为基于sEMG的高精度实时运动识别提供了强大的解决方案.
- 这种方法显著提高了上肢康复机器人的快速反控制潜力.
- 这种方法有望提高康复机器人的效率和响应能力.
