Figur 1. Sammanfattning av NRMSE för LSTM, RBF och SPGP för 6 rörelser. Kredit:LIN Chuang
Ytelektromyografi (sEMG) är en icke-invasiv, datorbaserad teknik som kan registrera elektriska impulser. Den nuvarande mönsterigenkänningsbaserade kontrollstrategin kan realisera viss myoelektrisk kontroll, men den är inte så smidig som en mänsklig hand.
Nyligen, forskare från Shenzhen Institutes of Advanced Technology (SIAT) vid den kinesiska vetenskapsakademin föreslog en kontinuerlig uppskattningsmetod för sex dagliga grepprörelser av det långa korttidsminnesnätverket (LSTM).
Enligt en studie publicerad i Biomedicinsk signalbehandling och kontroll , teamet designade ett experiment med sex dagliga grepprörelser valda i ljuset av objektens olika former och diametrar. Tjugotvå sensorer var placerade runt en CyberGlove för inspelning av sEMG-signaler.
För att uppskatta de sex grepprörelserna, forskarna genomförde testerna genom tre utvärderingskriterier, Pearsons korrelationskoefficient (CC), Root Mean SquareError (RMSE) och Normalized Root Mean Square Error (NRMSE).
Sedan jämförde de LSTM med de andra två algoritmerna, SPGP (Sparse Gaussian Processes using Pseudo-inputs) och RBF (Radial Basis Function Neural Network). Resultaten visade att LSTM presterade bättre såväl som snabbare i alla 6 rörelserna.
Fig. 2. Kedjestrukturen med repetitiva moduler av LSTM. Kredit:LIN Chuang
Även om i vissa leder, SPGP eller RBF har bättre prestanda än LSTM, den statistiska analysen visade att LSTM kunde prestera bättre vid kontinuerlig uppskattning av 20 fingerledsvinklar än SPGP och RBF.
"Våra resultat visar ljusa utsikter för LSTM. Det kan användas i bioelektrisk signalbehandling och människa-maskin-interaktion, " sa Dr LIN Chuang, motsvarande författare till studien. "Det bör noteras att metoden bör anpassas och optimeras utifrån olika applikationer."