基于表面肌电的 CNN-LSTM 混合框架用于腕部运动学估计
信号处理
2020-12-02 v2
摘要
卷积神经网络（CNN）因能从表面肌电（sEMG）中提取信息丰富、具代表性且可迁移的特征，已被广泛用于同时比例肌电控制。然而，肌肉收缩具有强时间依赖性，而常规 CNN 仅能利用空间相关性。考虑到长短期记忆神经网络（LSTM）能够捕捉时间序列数据的长期与非线性动态，本文提出一种 CNN-LSTM 混合框架，以充分挖掘 sEMG 中的时空信息。首先利用 CNN 从 sEMG 频谱提取深层特征，随后通过基于 LSTM 的序列回归处理这些特征以估计腕部运动学。我们招募六名健康受试者在不同实验设置下进行参与式采集与运动分析。在会话内与跨会话评估中的估计结果表明，CNN-LSTM 显著优于 CNN 与传统机器学习方法，尤其在激活复杂腕部运动时。
引用
@article{arxiv.1912.00799,
title = {A CNN-LSTM Hybrid Framework for Wrist Kinematics Estimation Using Surface Electromyography},
author = {Tianzhe Bao and Syed Ali Raza Zaidi and Shengquan Xie and Pengfei Yang and Zhiqiang Zhang},
journal= {arXiv preprint arXiv:1912.00799},
year = {2020}
}