基于心电图的能源消耗预测使用BiLSTM与改进的雪除尘优化器

科学领域:

• 生物医学工程 生物医学工程
• 人机界面 (HMI) 是指人机界面.
• 可穿戴技术可穿戴技术

背景情况:

• 精确的能源消耗 (EE) 估计对于优化循环内人 (HIL) 系统的运动控制至关重要.
• 当前的方法在各种运动条件下可能缺乏准确性.
• 低成本的可穿戴设备提供了实时EE监控的潜力.

研究的目的:

• 通过低成本的可穿戴心电图 (ECG) 装置提出一种用于准确估计EE的新方法.
• 分析各种因素对EE估计准确性的影响.
• 优化超参数和输入窗口长度,在各种运动条件下进行EE预测.

主要方法:

• 开发了一种改进的雪除优化器 (ISAO),以优化BiLSTM网络超参数和输入时间序列窗口长度.
• 利用了心电图信号和每次呼吸的EE数据,优化了高频和低频组件的窗口长度.
• 通过使用具有多个时间间隔的测试集来评估模型,模拟真实在线测试场景.

主要成果:

• 拟议的ISAO-BiLSTM网络在各种运动范式 (RMSE: 56 W; R2: 0.93) 中实现了准确的EE预测.
• 基于心电图的深度学习框架显示,与基于心率 (HR) 的方法相比,EE预测准确度更高.
• 优化的输入数据窗口长度适用于HIL HMI应用中的实时EE预测.

结论:

• ISAO-BiLSTM框架提供了一种可靠且准确的方法,用于使用ECG数据估计能源支出.
• 优化的输入窗口长度提高了在人机接口系统中实时EE预测的适用性.
• 这种方法为改进HIL应用中的运动控制策略提供了有价值的工具.