在EMG-模式识别系统中解码四肢运动意图的新型非欧几里德适应式描述器

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:

• 基于电肌图 (EMG) 的模式识别 (PR) 对运动意图解码至关重要.
• 现有的特征提取方法在解码性能方面存在局限性,特别是训练测试漂移和噪声.
• 对抗诸如白色高斯噪声 (WGN) 等因素的稳定性对于现实应用至关重要.

研究的目的:

• 提出一个无监督的特征提取方案,以改进基于EMG的电机意图解码.
• 为了应对培训和测试数据集之间漂移的挑战.
• 为了提高肌电系统对噪声的强度.

主要方法:

• 开发了一个无监督的特征提取方案,利用基于里曼运算的特征适应方法.
• 通过对测试数据进行投影,使其与训练集分布保持一致,从而最大限度地减少了训练和测试集之间的漂移.
• 该方法评估了13个手和手指运动的运动意图解码,并测试了对WGN的稳定性.

主要成果:

• 拟议的特征提取技术在机动意图解码中实现了高性能,平均准确率为93.17±2.07%.
• 与最先进的技术相比,该方法证明了对WGN的稳定性和优越解码性能.
• 该计划有效地减少了培训和测试集之间的漂移.

结论:

• 拟议的无监督特征提取方案显著提高了电机意图解码性能和稳定性.
• 这种技术可以提高商业和临床环境中的肌电系统的整体可靠性.
• 这些发现有助于更好地控制假肢设备和辅助技术,改善生活质量.