MS-ResSNN:一个多尺度的残留尖端神经网络用于电肌图谱模式识别

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 电肌图 (EMG) 模式识别对于人机交互应用,如假肢控制,至关重要.
• 尖端神经网络 (SNN) 为EMG模式识别提供低功耗,但在多层架构中面临信息传播限制.
• 由于信息流量受限,现有的SNN方法通常会产生低于最佳的手势识别性能.

研究的目的:

• 引入一种新型的多尺度残留尖端神经网络 (MS-ResSNN),以克服在多层SNN中信息传播的挑战,以识别EMG模式.
• 通过改善跨SNN层的信息传输来提高手势识别的准确性.
• 评估拟议的MS-ResSNN对基于高密度EMG (HD-sEMG) 的手势分类的有效性.

主要方法:

• 开发了一个多尺度的残留尖端神经网络 (MS-ResSNN),包含残留结构和多尺度的漏洞整合和火 (LIF) 神经元集.
• 优化了用于HD-sEMG数据的T-循环网络结构的尖端编码和特征提取.
• 集成编码信息与提取的EMG特征,以促进增强信息传输.

主要成果:

• 在20名受试者的34个手势数据集上,MS-ResSNN实现了94.06%的高平均准确率.
• 与基线方法相比,表现明显优越,包括尖端卷积神经网络 (SCNN) 和卷积神经网络 (CNN).
• 提出的方法有效地解决了EMG模式识别多层SNN固有的信息传播限制.

结论:

• MS-ResSNN在EMG模式识别方面取得了重大进展,特别是在手势分类方面.
• 新型架构有效地增强了多层SNN中的信息传输,从而提高了性能.
• 这项研究强调了先进的SNN在使用HD-sEMG信号进行强大而准确的手势识别方面的潜力.