一个以线性注意力为基础的网络,用于估计从表面电肌图的连续上肢运动

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
• 机器学习 机器学习

背景情况:

• 与模式识别相比,连续动力学估计提供了直观的人机交互.
• 精确的上肢运动估计,特别是肘部和肩部关节,至关重要.
• 肌肉变形可以改变角度传感器,使准确的测量变得复杂.

研究的目的:

• 提出一种基于线性注意力 (LABD) 的新型模型,用于估计上肢关节角度.
• 使用sEMG数据,将LABD与其他深度学习模型的性能进行比较.
• 为应对肌肉工件在基于传感器的关节角度估计中所带来的挑战.

主要方法:

• 从八个传感器收集了表面电肌图 (sEMG) 信号.
• 使用Vicon运动捕捉系统进行精确的关节角度测量.
• 开发和评估了基于线性注意力的模型 (LABD),与MLP,TCN,LSTM和DABD相比.

主要成果:

• 在估计上肢关节角度方面,LABD表现出卓越的性能.
• 皮尔森相关系数 (PCC) 表示LABD的高精度.
• 威尔科克森签署的等级测试证实了LABD表现的统计学意义.

结论:

• 拟议的LABD是一个高效的深度学习模型,用于连续的上肢动力学估计.
• LABD提供了一个强大的解决方案,用于从sEMG信号中准确预测关节角度.
• 这种方法增强了自然和直观的人机交互系统的潜力.