• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • La rete di memoria a lungo termine offre prestazioni migliori nella stima continua

    Fig. 1. Riepilogo del NRMSE di LSTM, RBF e SPGP per 6 movimenti. Attestazione:LIN Chuang

    L'elettromiografia di superficie (sEMG) è un metodo non invasivo, tecnica basata su computer in grado di registrare impulsi elettrici. L'attuale strategia di controllo basata sul riconoscimento del modello può realizzare un certo controllo mioelettrico, ma non è liscio come una mano umana.

    Recentemente, i ricercatori degli Istituti di tecnologia avanzata di Shenzhen (SIAT) dell'Accademia cinese delle scienze hanno proposto un metodo di stima continua per sei movimenti di presa giornalieri tramite la rete di memoria a lungo termine (LSTM).

    Secondo uno studio pubblicato su Elaborazione e controllo del segnale biomedico , il team ha progettato un esperimento su sei movimenti di presa giornalieri selezionati alla luce delle diverse forme e diametri degli oggetti. Ventidue sensori sono stati distanziati attorno a un CyberGlove per la registrazione dei segnali sEMG.

    Per stimare i sei movimenti di presa, i ricercatori hanno effettuato i test attraverso tre criteri di valutazione, il coefficiente di correlazione di Pearson (CC), il Root Mean SquareError (RMSE) e il Normalized Root Mean Square Error (NRMSE).

    Quindi hanno confrontato LSTM con gli altri due algoritmi, SPGP (Sparse Gaussian Processes using Pseudo-inputs) e RBF (Radial Basis Function Neural Network). I risultati hanno mostrato che LSTM ha funzionato meglio e più velocemente in tutti e 6 i movimenti.

    Fig. 2. La struttura della catena con moduli ripetitivi di LSTM. Attestazione:LIN Chuang

    Sebbene in alcune articolazioni, SPGP o RBF hanno prestazioni migliori di LSTM, l'analisi statistica ha mostrato che LSTM potrebbe funzionare meglio nella stima continua di 20 angoli delle articolazioni delle dita rispetto a SPGP e RBF.

    "I nostri risultati mostrano una brillante prospettiva di LSTM. Può essere utilizzato nell'elaborazione dei segnali bioelettrici e nell'interazione uomo-macchina, " ha detto il dottor LIN Chuang, corrispondente autore dello studio. "Va notato che il metodo dovrebbe essere personalizzato e ottimizzato in base a diverse applicazioni".


    © Scienza https://it.scienceaq.com