根据多通道sEMG和NIRS同时记录的融合信息识别腰部肌肉疲劳

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 精确检测腰部肌肉疲劳对于预防腰痛和职业伤害至关重要.
• 目前用于识别肌肉疲劳的方法由于测量工具和算法,其准确性受到限制.

研究的目的:

• 开发和评估一种用于识别腰部肌肉疲劳的新型框架,使用混合生理传感器阵列和深度学习算法.
• 评估双流卷积混合注意网络 (DCHANet) 的性能,用于多模式信号融合和分析.

主要方法:

• 一个60通道的混合传感器阵列集成表面电肌学 (sEMG) 和近红外光谱学 (NIRS) 用于同时获取数据.
• 为了分析sEMG和NIRS数据,开发了一个深度学习模型DCHANet,具有双流特征提取和层次注意力融合.
• 在学科和跨学科条件下,对三级 (FAT-3) 和十五级 (FAT-15) 疲劳识别任务的性能进行了评估.

主要成果:

• 多式联网DCHANet在FAT-3 (主题分别为97.93%,跨主题分别为96.80%) 和FAT-15 (主题分别为91.06%,跨主题分别为88.53%) 任务中都实现了高精度.
• 多模式输入 (sEMG-NIRS) 显著优于单模式输入 (单独的sEMG或NIRS).
• 与传统的机器学习方法相比,DCHANet表现出卓越的性能.

结论:

• 将混合生理传感与基于注意力的深度学习相结合,为腰部肌肉疲劳识别提供了精确而细粒度的方法.
• 这种新的框架对与腰部疲劳相关的肌肉骨疾病的临床监测和早期干预充满希望.