基于深度学习的上肢假肢 sEMG 鲁棒精确模式识别框架
信号处理
2021-06-14 v2
摘要
在基于 EMG 的模式识别 (EMG-PR) 中，基于深度学习的技术因能从大型数据集中自调节提取判别特征而日益突出。此外，传统基于机器学习的方法在分类超过一定数量类别时表现受限，并随时间退化。本文提出一种准确、鲁棒且快速的基于卷积神经网络的上肢假肢 EMG 模式识别框架。为评估所提系统性能，使用了五个公开基准的上肢活动数据集。该数据集包含 49 至 52 种上肢动作（NinaPro DB1、NinaPro DB2 和 NinaPro DB3）、含力变化的数据，以及针对完整与截肢受试者的手臂位置变化数据。在测试与验证中观测到的分类准确率分别为 91.11%（53 类）、89.45%（49 类）、81.67%（截肢者 49 类）、95.67%（6 类含力变化）和 99.11%（8 类含手臂位置变化）。将所提系统性能与文献中现有先进技术进行比较，结果表明分类准确率与时间复杂度均有显著改善。使用 Keras（TensorFlow 构建深度学习模型的高级 API）进行信号预处理与基于深度学习的算法。所提方法运行于 Intel 3.5GHz Core i7 第七代 CPU 与 8GB DDR4 RAM。
引用
@article{arxiv.2106.02463,
title = {A Robust and Accurate Deep Learning based Pattern Recognition Framework for Upper Limb Prosthesis using sEMG},
author = {Sidharth Pancholi and Amit M. Joshi and Deepak Joshi},
journal= {arXiv preprint arXiv:2106.02463},
year = {2021}
}