特征图组合的双流CNN手指关节角度连续运动预测方法研究

摘要

针对基于表面肌电（surface electromyography, sEMG）信号手指关节角度连续运动预测时序信息提取不足、预测准确率较低的问题，提出了一种基于特征图组合（feature map combinations, FMC）的双流卷积神经网络（dual-stream convolutional neural network, DCNN）预测方法。提取sEMG信号的特征信息，采用滑动窗方式将特征信息进行特征图组合，表达特征的时间连贯性以提取sEMG信号的时序信息，通过DCNN网络在时间、空间维度对组合后的特征图提取深层特征，提高手指关节角度连续运动预测效果。在NinaPro-DB8数据集上进行实验，结果表明：在3类不同自由度（18个、5个、3个）的相关方法比较中，健康受试者的R²值分别提高了7.9%、16.8%和17.8%;截肢受试者的R²值分别提高了9.6%、14.3%和10.3%。

关键词

sEMG / 连续运动预测 / 特征图组合 / 双流卷积神经网络