Fusión de Sensores para el Control Mioeléctrico Basado en Aprendizaje Profundo con Redes Neuronales Convolucionales Recurrentes

La decodificación de señales de electromiograma (EMG) es la parte esencial del control mioeléctrico. Sin embargo, los métodos tradicionales de aprendizaje automático carecen de la capacidad de aprender y expresar la información contenida en las señales EMG, y la robustez del sistema de control mioeléctrico no es suficiente para aplicaciones en la vida real. En este artículo, se propone un modelo novedoso basado en redes neuronales convolucionales recurrentes (RCNNs) para la clasificación de movimientos de la mano y se prueba en el conjunto de datos EMG no invasivo. El modelo propuesto utiliza una arquitectura profunda, que tiene ventajas en el manejo de datos de series de tiempo complejos, como las señales EMG. Se utiliza aprendizaje por transferencia en el entrenamiento del modelo multimodal. Se compara el rendimiento de clasificación con máquinas de soporte vectorial (SVM) y redes neuronales convolucionales (CNNs) en el mismo conjunto de datos. Para mejorar la adaptabilidad al efecto de los movimientos del brazo, fusionamos las señales EMG y los datos de aceleración que son la entrada multimodal del modelo. Se utiliza la transferencia de parámetros de redes neuronales profundas para acelerar el proceso de entrenamiento y evitar el sobreajuste. Los resultados experimentales muestran que la entrada en el dominio del tiempo y la convolución unidimensional tienen mayor precisión en el modelo RCNN. En comparación con SVM y CNNs, el modelo propuesto tiene una mayor precisión de clasificación. La fusión de sensores puede mejorar el rendimiento del modelo en condiciones de movimientos de brazos. El modelo RCNN es un decodificador prometedor de EMG y la fusión de sensores puede aumentar la precisión y robustez del sistema de control mioeléctrico.