深度学习提高了在线高清-sEMG分解对电极脱离的稳定性
概括
这项研究引入了使用Bi-GRU网络的深度学习方法,以提高表面电肌图 (sEMG) 分解精度,尽管电极脱离. 该技术增强了运动单元 (MU) 信号分析,以更好地控制假肢和康复.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 表面电肌图 (sEMG) 中的电极脱离显著降低了信号质量,并损害了动力单元 (MU) 分解的准确性.
- 现有的分解方法在面对被脱离的电极引入的噪音时,难以保持稳定性.
研究的目的:
- 开发和评估一种基于深度学习的新技术,以减轻电极脱离对高密度sEMG (HD-sEMG) 分解的影响.
- 在模拟和实验电极脱离的情况下提高sEMG分解的稳定性和准确性.
主要方法:
- 使用模拟的HD-sEMG数据与不同程度的电极脱离 (0-4和0-8通道) 构建和训练了一种双向封闭循环单元 (Bi-GRU) 神经网络.
- 数据增强包括通过将随机选择的sEMG通道设置为零来模拟电极脱离.
- 拟议的模型使用模拟和实验sEMG信号进行了评估,将其性能与渐进的FastICA剥离 (PFP) 算法进行了比较.
主要成果:
- 与传统方法相比,Bi-GRU网络与数据增强在电极脱离条件下在HD-sEMG分解中表现出优异的性能.
- 拟议的方法实现了发动机单元 (MU) 发射序列的最高匹配率,表明了增强的分解精度.
- 该模型有效地减轻了电极脱离带来的噪声,提高了sEMG信号分析的可靠性.
结论:
- 深度学习技术,特别是拟议的Bi-GRU网络与数据增强,为准确的sEMG分解提供了强大的解决方案,即使有电极脱离.
- 这一进步具有显著的潜力,可以提高基于sEMG的应用程序在诸如假肢控制和康复医学等领域的可靠性.
