Resumen

Los modelos de aprendizaje profundo pueden realizar la extracción de características y la abstracción avanzada de las señales mioeléctricas en bruto sin necesidad de selección manual. En este estudio se procesan las señales mioeléctricas superficiales sin procesar con un modelo profundo para investigar la viabilidad de reconocer las intenciones de movimiento de las extremidades superiores y el control en tiempo real del equipo auxiliar para el entrenamiento de rehabilitación de las extremidades superiores. Las señales mioeléctricas de superficie se recogen en seis movimientos de las extremidades superiores de ocho sujetos. Se diseñan una red neuronal convolucional ligera (Lw-CNN) y un modelo de máquina de vectores de apoyo (SVM) para el reconocimiento de patrones de señales mioeléctricas. A continuación se compara el rendimiento offline y online de los dos modelos. La precisión media es de (90 ± 5)o la Lw-CNN y (82,5 ± 3,5)o la SVM en las pruebas offline de todos los sujetos, que prevalece sobre (84 ± 6)o la Lw-CNN online y (79 ± 4)o la SVM. La precisión del control del brazo robótico es del (88,5 ± 5,5)%. El análisis de significación no muestra una correlación significativa (p = 0,056) entre el control en tiempo real, las pruebas fuera de línea y las pruebas en línea. El modelo Lw-CNN funciona bien en el reconocimiento de los intentos de movimiento de la extremidad superior y puede realizar el control en tiempo real de un brazo robótico comercial.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:intención de movimiento de las extremidades, control del tiempo, señal mioeléctrica, pruebas fuera de línea, precisión del control de las extremidades, red neuronal convolucional, entrenamiento de rehabilitación de las extremidades, lw, cnn, reconocimiento de patrones de señales
• Keywords:limb motion intent, time control, myoelectric signal, offline testing, arms control accuracy, convolutional neural network, limb rehabilitation training, lw, cnn, signal pattern recognition