Langtidshukommelsesnetværk klarer sig bedre ved kontinuerlig estimering

Surface electromyography (sEMG) er en ikke-invasiv, computerbaseret teknik, der kan registrere elektriske impulser. Den nuværende mønstergenkendelsesbaserede kontrolstrategi kan realisere noget myoelektrisk kontrol, men den er ikke så glat som en menneskelig hånd.

For nylig, forskere fra Shenzhen Institutes of Advanced Technology (SIAT) fra det kinesiske videnskabsakademi foreslog en kontinuerlig estimeringsmetode for seks daglige grebbevægelser af det lange korttidshukommelsesnetværk (LSTM).

Ifølge en undersøgelse offentliggjort i Biomedicinsk signalbehandling og -kontrol , teamet designede et eksperiment med seks daglige grebbevægelser valgt i lyset af objekternes forskellige former og diametre. Tyve to sensorer var fordelt omkring en CyberGlove til registrering af sEMG-signaler.

For at estimere de seks grebbevægelser, forskerne udførte testene gennem tre evalueringskriterier, Pearson -korrelationskoefficienten (CC), Root Mean SquareError (RMSE) og Normalized Root Mean Square Error (NRMSE).

Derefter sammenlignede de LSTM med de to andre algoritmer, SPGP (Sparse Gaussian Processes using Pseudo-inputs) og RBF (Radial Basis Function Neural Network). Resultaterne viste, at LSTM udførte bedre såvel som hurtigere i alle 6 bevægelser.

Selvom i nogle led, SPGP eller RBF har bedre ydeevne end LSTM, den statistiske analyse viste, at LSTM kunne klare sig bedre ved kontinuerlig estimering af 20 fingerledvinkler end SPGP og RBF.

"Vores resultater viser en lys udsigt til LSTM. Det kan bruges til behandling af bioelektriske signaler og interaktion mellem mennesker og maskiner, "sagde Dr. LIN Chuang, tilsvarende forfatter til undersøgelsen. "Det skal bemærkes, at metoden skal tilpasses og optimeres baseret på forskellige applikationer."