sEMG siqnallarından spik trenləri və çoxmiqyaslı zaman xüsusiyyətləri vasitəsilə real‑vaxt jest təsnifatı.

Yuxarıdakı elektromiografik (sEMG) siqnallara əsaslanan klassik cüzdan təsnifi tez-tez keçidli danışıq problemindən əziyyət çəkir. Bunu həll etmək üçün, dəqiqliyi, sabitliyi və real vaxtda tətbiq edilməsini yaxşılaşdırmaq üçün spike qatarlarından çox miqyaslı zaman xüsusiyyətlərini birləşdirən yüngül dərin öyrənmə çərçivəsi təklif edirik. Birincisi, Convolution Kernel Compensation (CKC) əsasında hibrid offline-online parçalanma çərçivəsi qəbul edilir. Offline mərhələdə aktiv siqnal segmentləri fərdi Motor Birləşmələrini (MU) çıxarmaq üçün təkrar optimallaşdırılmış filtrlərlə təcrid edilir. Onlayn mərhələdə bu əvvəlcədən optimallaşdırılmış filtrlər real vaxt MU izləməsini təmin etmək üçün yenidən istifadə olunur. İkincisi, xüsusiyyətlər 200 ms sürtüşmə pəncərəsi daxilində Spike Count (SC) və Temporal Difference (TD) istifadə edərək 50 ms addımla çıxarılır, sonra yüngül iki qatlı Multi-Layer Perceptron (MLP) istifadə edərək cism təsnifatı edilir. Metod üç yüksək sıxlıqlı sEMG (HD- sEMG) məlumat dəstində təsdiqləndi: 65- gesture məlumat dəstində (20 nəfər), CSL- HDEMG- da (5 nəfər) və CapgMyo DBa- da (10 nəfər). Xüsusilə 65-Gesture məlumat dəstində (azlıq dəst təsdiqlənməsi) offline parçalanma subyekti üzrə orta hesabla 1153,7 ± 75,2 yüksək keyfiyyətli MU-ni, orta puls-a-gürültü nisbəti (PNR) 27,28 ± 2,4 dB-ni əldə etdi. Sistem yüksək səmərəlilik göstərdi, tək pəncərə parçalanması gecikməsi 5 ms-dən az və ümumi end-to-end gecikməsi 60 ms-dən aşağı idi. Təyinatların təsnifatı baxımından təklif olunan metod bu məlumat dəstində 91,02% ± 2,68% dəqiqliyə malikdir. Bundan əlavə, standart standart standartlarda kök ortalama kvadrat kimi ənənəvi vaxt domen xüsusiyyətlərindən üstünlük təşkil edib, CSL-HDEMG-də 92,06% ± 11,17% və CapgMyo DBa-da 86,63% ± 7,76% əldə etdi. Təxdim olunan çərçivə müxtəlif cüzam növlərində MU tullantılarının dekodlaşdırılmasında yüksək dəqiqlik və aşağı gecikmə əldə edir. Bu tədqiqat, parçalanmış motor birliyinin zirvəsi trenlərindən və yüngül dərin öyrənmədən əldə edilmiş çox miqyaslı temporal xüsusiyyətlərin effektivliyini göstərərək, inkişaf etmiş protez nəzarəti və reabilitasiya interfeyslərində real vaxtda sinir dekodlaşdırılması üçün güclü bir əsas təmin edir.

Biz həmyaşıqların bütün töhfələrini yüksək qiymətləndirdik.

Bu iş Dalian Dəniz Universitetinin Lider Talentlər Layihəsi tərəfindən dəstəklənir.

Dalian Dəniz Universiteti, Dalian, Çin

Çuang Lin, Ziwei Cui, Wenbin Wang & Jun Zhang

Çinin Çengdu şəhərindəki Siçuan Universitetinin Qərbi Çin Xəstəxanası