EMG-Mustererkennung im Zeitalter von Big Data und Deep Learning

Die zunehmende Menge an Daten in der elektromyografischen (EMG) Signalforschung hat die Bedeutung der Entwicklung fortschrittlicher Datenanalyse- und Machine-Learning-Techniken erheblich erhöht, die besser in der Lage sind, mit „Big Data“ umzugehen. Folglich wurden fortschrittlichere Anwendungen der EMG-Mustererkennung entwickelt. Dieses Papier beginnt mit einer kurzen Einführung in die Hauptfaktoren, die die EMG-Datenressourcen in das Zeitalter von Big Data erweitern, gefolgt vom aktuellen Fortschritt bestehender geteilter EMG-Datensätze. Anschließend geben wir einen Überblick über aktuelle Forschungs- und Entwicklungsarbeiten zu Methoden der EMG-Mustererkennung, die auf Big Data Analytik angewendet werden können. Diese modernen Methoden zur EMG-Signal Analyse lassen sich in zwei Hauptkategorien unterteilen: (1) Methoden basierend auf Feature Engineering, die ein vielversprechendes Big Data Explorationswerkzeug namens topologische Datenanalyse verwenden; und (2) Methoden basierend auf Feature Learning mit besonderem Schwerpunkt auf „Deep Learning“. Schließlich werden Richtungen zukünftiger Forschung in der EMG-Mustererkennung skizziert und diskutiert.