改善手势识别的快速EMG分类:对健康和中风后患者的时间,空间和算法配置的全面分析.

科学领域:

• 生物医学工程 生物医学工程
• 神经康复疗法 神经康复疗法
• 信号处理 信号处理

背景情况:

• 使用电动肌图 (EMG) 的辅助器件显示出在中风后恢复人体移动性的前景.
• 肌电控制系统的实时功能受到生物信号变化和处理延迟的挑战.

研究的目的:

• 评估健康和中风后个体手势的电肌图 (EMG) 信号分类性能.
• 分析获取时间和通道数量对肌电控制模型的影响.
• 确定最佳的特征提取和机器学习方法,以实现强大的实时控制.

主要方法:

• 使用电肌学 (EMG) 信号对六种不同的手势进行分类.
• 分析特征提取方法,包括功率光谱密度和维度减小.
• 评估采集时间 (0.5-4秒) 和频道数 (1-4) 的模型性能.
• 使用对中风后数据的患者内和跨患者验证的测试模型概括.

主要成果:

• 实现了高分类精度 (高达95.31%) 与功率光谱密度和维度降低.
• 确定采集时间 (稳定在2秒) 影响准确度超过频道数量.
• 证明了90%的患者内验证准确度和35-40%的跨患者验证.

结论:

• 优化的EMG信号处理提高了肌电控制系统的准确性和稳定性.
• 这些发现有助于开发神经康复设备的有效实时控制.
• 需要进一步的研究来改善跨患者的概括性,以获得更广泛的临床应用.