知识转移以改善sEMG 同时比例运动检测:数据转换方法

科学领域:

• 生物医学工程 生物医学工程
• 人与机器的互动 人与机器的互动
• 信号处理 信号处理

背景情况:

• 使用表面电肌图 (sEMG) 的同时比例检测 (SPD) 显示了高性能,具有复杂的运动数据.
• 为基于sEMG的SPD收集广泛的培训数据耗时且对用户来说不切实际.
• 精度和易用性之间的平衡对于sEMG控制的现实应用至关重要.

研究的目的:

• 开发一种数据转换方法,以提高基于sEMG的SPD性能.
• 为了使知识从复杂的运动数据集转移到更简单的数据集,减少用户培训时间.
• 提高基于sEMG的控制系统的实用性和准确性.

主要方法:

• 提出了一种线性转换模型,用于在数据集之间传输运动知识.
• 利用预先记录的复杂手腕运动数据 (星形轨迹) 来丰富更简单的X-Y运动数据.
• 应用转移学习技术,以适应现有数据用于新的,更简单的运动任务.

主要成果:

• 提出的知识转换模型将R2的性能提高了5-10%.
• 在减少用户数据采集时间方面表现出有效性.
• 在会议间和科目间的场景中展示了成功的应用.

结论:

• 数据转换方法有效地提高了基于sEMG的SPD准确性和效率.
• 这种方法通过减少培训负担,为现实世界的人机交互提供了实际解决方案.
• 通过线性转换进行知识转移是改善sEMG控制系统的可行策略.