使用深度学习进行肌电信号分类
本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号,从而提高治疗效果及减少人工标注带来的时间和误差。
Jun, 2022
本文介绍了利用深度学习技术和迁移学习技术开发的机器人手臂假肢,通过 Google Inception 模型重新训练表面肌电图(sEMG)的分类层来对收集的数据进行分类,使用 Inception-v3 模型进行深度学习,并将其下载到基于 ARM 处理器的嵌入式系统上,实现对 3D 打印制造的脑控机器人手臂的控制。
May, 2020
本篇论文综述了 50 多个发表的 EMG 应用程序的传输学习方法,并提供了有关肌肉生理结构和 EMG 生成机制的生物学见解以及录制 EMG 的方法,以支持现有传输学习方法的生物基础。此外,通过将现有研究努力分为基于数据和模型的方法、基于培训方案的方法和对抗性的方法,系统地总结和分类了现有的 EMG 相关机器学习应用的传输学习方法,并讨论了现有工作的可能缺点,并指出了未来更好的 EMG 传输学习算法的方向以提高实际应用性。
Oct, 2022
本文使用深度学习方法,提出了一种针对 EEG 和 EMG 信号的联合压缩和分类方法,基于深度自编码器架构,通过在编码器层处理多模态数据并在解码器层重构和检索数据,显著减少了信号失真,同时实现了更好的分类准确性。
Mar, 2017
人体行走是一种复杂的活动,精确检测步态阶段对于控制下肢辅助装置如外骨骼和假肢至关重要。本研究提出了几种基于下肢肌电数据的机器学习模型,其中包括高斯朴素贝叶斯、决策树、随机森林、线性判别分析以及深度卷积神经网络。传统机器学习模型通过手工特征或使用主成分分析对其降维处理,而深度卷积神经网络模型则利用卷积层从原始数据中提取特征。结果显示传统机器学习模型的平均准确率为 75%,深度学习模型的准确率为 79%。在训练的深度学习模型中,经过 50 次试验,最高准确率达到 89.5%。
Mar, 2024
本文利用经过训练的 T1 类卷积神经网络模型,通过预处理的脑电数据,探究其成功识别运动想象能力。使用小样本数据验证实时数据分类准确性。
May, 2022
本文旨在确定在表面肌电图案识别方面,哪些类型的分类器可以提供更高的准确性和更好的置信度,并在 4 个 EMG 数据集上定量、定性地评估各种生成分类器和区别分类器的性能。结果表明,尽管基于深度神经网络的区别分类器表现出高准确性,但它的置信度与真实概率不同。相比之下,一种可以考虑 EMG 变化不确定性的生成分类器 —— 比例混合模型分类器表现出优异的准确性和置信度。
Apr, 2023
我们提出了一种基于深度度量元学习的肌电图案识别模型,通过使用 Siamese 深度卷积神经网络和对比三元损失来学习能够捕捉不同类别分布的肌电特征嵌入空间,进而采用最近质心方法进行推断,提出了一种有效的基于类近程度的置信度评估器,改善了分类器在主动决策中的精度,从而提高了泛化能力和适用性。
Apr, 2024
设计并测试了一种实时控制的用户界面系统,通过提取腕带配置中八个电极的表面肌电(sEMG)活动。实时将 sEMG 数据传入机器学习算法,用于手势分类。实验结果表明,相对于基线,修改的反馈条件显著提高了准确性和手势分类分离,暗示了通过反馈操作的游戏化用户界面可能实现基于 sEMG 手势识别应用的直观、快速、准确的任务获取。
Sep, 2023
本研究提出了一种端到端的深度学习结构 SSNet,包括基于卷积神经网络(CNN)和长短期记忆(LSTM)的两个深度学习网络,用于通过联合眼电图(EOG)、脑电图(EEG)和肌电图(EMG)的信号分类睡眠阶段。在两个公共数据集上进行了测试,取得了最佳性能。
Jul, 2023