随机森林在肌电控制中的可扩展性

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人与机器人的交互

背景情况:

• 肌电控制系统将肌电图 (EMG) 信号转化为人机交互的命令.
• EMG信号的变化降低了系统性能,往往需要大型,复杂的深度神经网络.
• 需要更简单,可解释和可扩展的模型来实现实际的肌电控制.

研究的目的:

• 调查用于肌电控制的随机森林 (RF) 模型的可扩展性.
• 探索升级和降级射频模型的方法,用于预训练,微调和自我校准.
• 确定影响基于EMG控制的射频模型大小和精度的因素.

主要方法:

• 使用来自106名参与者具有不同电极密度的EMG数据,对射频可扩展性的系统研究.
• 分析了包括引导,决策树编辑 (修剪,接种,添加) 和训练数据大小在内的因素.
• 在不同配置下评估RF模型尺寸缩小和精度变化.

主要成果:

• 优化的射频模型实现了约500×的尺寸缩小,精度仅下降1.5%.
• 增加EMG电极输入尺寸导致RF模型尺寸减少.
• 该研究系统地分析了各种因素对射频模型性能和尺寸的影响.

结论:

• 随机森林为肌电控制提供了一个高效和可扩展的解决方案.
• 射频模型可以灵活扩展,促进实践应用中的实时部署.
• 研究结果支持使用射频作为大型深度神经网络的可行替代方案,用于基于EMG的控制.