从表面EMG信号和动态卷积神经网络的时间域描述器识别行走阶段

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 机器人技术 机器人技术 机器人技术

背景情况:

• 表面电肌图 (sEMG) 信号对于控制下肢假肢至关重要.
• 从sEMG信号中识别运动意图是具有挑战性的,因为它们的复杂性质.

研究的目的:

• 提出一种新的动态卷积神经网络 (DCNN) 用于多类步态阶段分类.
• 利用来自特定腿部肌肉的sEMG信号的时间域测量,以增强假肢控制.

主要方法:

• 记录了来自20名健康志愿者以每小时2.5公里的速度行走的sEMG和惯性测量单元 (IMU) 数据.
• 应用了三种时间域描述器 (根平均平方,威尔逊振幅,零交叉) 给来自直骨,横骨,两骨和半骨的sEMG信号.
• 设计并实施了用于步态阶段分类的DCNN.

主要成果:

• 该DCNN框架有效地区分了四个不同的步态阶段.
• 所有分析的时间域特征都显示了跨行走阶段的显著差异.
• 达到最高分类准确率为94.00%,具有高平均灵敏度 (94.25%),特异性 (97.75%),MCC (92.00%).

结论:

• 拟议的DCNN方法成功地从sEMG信号中解码下肢肌肉运动意图.
• 这种方法有可能在下肢假肢中开发更精确的运动控制.
• 在sEMG信号处理方面的进步可以显著提高假肢的功能.