噪音对基于深度学习的伪在线手势识别与高密度EMG噪音的影响

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 深度神经网络 (DNN) 在理想条件下实现了高精度的表面电肌图 (sEMG) 驱动的手势识别.
• 现实世界的噪音显著降低了基于sEMG的手势识别系统的性能.

研究的目的:

• 调查常见的现实世界噪音类型对使用高密度sEMG (HD-sEMG) 的基于DNN的手势识别的影响.
• 评估在自编码器增强的循环神经网络 (RNN) 架构中的不同特征集对噪声干扰的弹性.

主要方法:

• 收集了13名参与者执行手腕运动的HD-sEMG数据.
• 引入了合成噪声:添加式白色高斯噪声 (WGN),通道损失和电极转移.
• 使用基于振幅的特征 (RMS,MAV) 和动态特征 (斜坡标志变化,零交叉) 评估性能降低.

主要成果:

• 基于振幅的功能在WGN和频道损失方面表现出强的性能.
• 反映信号动态的特征在WGN下显示出显著的性能恶化和频道损失.
• 一组组合的特征集提高了对电极转移的弹性.
• 性能下降因噪声类型和强度而异.

结论:

• 对于实用的sEMG驱动的人机接口来说,抗噪力至关重要.
• 功能选择显著影响手势识别对噪音的稳定性.
• 这些发现引导使用sEMG开发更可靠的辅助设备.