无传感器,基于LSTM的人类运动预测使用sEMG数据
Bon Ho Koo1, Ho Chit Siu2, Lonnie G Petersen3,4
1Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
使用表面电肌图 (sEMG) 进行运动预测的深度学习模型对硬件变化具有强大耐用性. 这表明深度学习网络对于sEMG运动预测任务是硬件不可知的.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 神经科学是一个神经科学.
背景情况:
- 表面电肌图 (sEMG) 被广泛用于运动分类和预测.
- 由于sEMG传感器硬件的变化存在限制.
- 深度学习方法对于运动预测越来越受欢迎.
研究的目的:
- 调查不同sEMG传感器硬件平台对深度学习模型性能的影响.
- 评估神经网络使用各种sEMG传感器的数据来预测手臂角轨迹的能力.
主要方法:
- 从使用两个不同的传感器平台进行练习的受试者收集的原始sEMG数据.
- 训练了一种双向长期短期记忆 (bi-LSTM) 神经网络,以预测一个自由度 (DoF) 角轨迹.
- 分析了传感器配置的影响,包括通信,DAQ,电极,缓冲,预处理和采样频率.
主要成果:
- 在来自不同硬件平台的sEMG数据上训练的深度学习神经网络表现相似.
- 双LSTM网络表现出一致的预测能力,无论传感器来源如何.
- 这表明神经网络架构能够抵御数据采集硬件的变化.
结论:
- 用于基于sEMG的运动预测的深度学习模型展示了硬件无关的特征.
- 这些发现支持使用深度学习来在不同的sEMG传感器系统中可靠地预测运动.
- 未来的应用程序可以利用这些强大的模型,而不被特定的硬件选择所限制.
