LSTM 및 개선된 웨이브렛 패킷 임계값을 기반으로 한 근육 피로 분류 모델

이전 연구에서는 무산소 임계값(AT)을 사용하여 비침습적으로 근육 피로를 예측하였습니다. 본 연구는 표면 근전도(sEMG)를 기반으로 한 근육 피로의 자동 분류를 위한 새로운 방법을 제안합니다. sEMG 데이터는 왼쪽 다리의 대퇴직근(RF), 외측광배근(VL), 내측광배근(VM), 비복근(GA)에서 부착된 sEMG 센서를 사용하여 사이클 에르고미터에서 점진적 테스트를 수행하는 동안 20명의 참가자로부터 수집되었습니다. 각 참가자의 환기량(VE), 산소 섭취량(VO2), 이산화탄소 생산량(VCO2) 데이터가 테스트 동안 수집되었습니다. 그리고 개선된 웨이브렛 패킷 임계값 잡음 제거 알고리즘에 의해 잡음 제거된 sEMG 신호의 시간 영역 및 주파수 영역 특성을 추출하였습니다. 이 연구에서는 장단기 기억(LSTM) 네트워크를 기반으로 한 새로운 근육 피로 인식 모델을 제안합니다. LSTM 네트워크는 sEMG 신호 특성을 사용하여 근육 피로를 분류하도록 훈련되었습니다. 결과는 개선된 웨이브렛 패킷 임계값 함수가 하드 임계값 및 소프트 임계값 함수보다 sEMG 신호의 잡음 제거에서 더 나은 성능을 보인다는 것을 보여주었습니다. 본 논문에서 제안된 근육 피로 인식 모델의 분류 성능은 CNN(합성곱 신경망), SVM(지지 벡터 기계), 및 다른 학자들이 제안한 분류 모델보다 우수합니다. LSTM 네트워크의 최적 성능은 70% 훈련, 10% 검증, 20% 테스트 비율에서 달성되었습니다. 일반적으로 제안된 모델은 근육 피로를 모니터링하는 데 사용될 수 있습니다.