摘要
在人机交互领域,表面肌电信号(Surface Electromyography,s EMG)被广泛用于连续运动估计,但现有方法在非线性建模方面存在局限。为此,文章研究了CNN-LKN模型,该模型利用跳跃连接与门控机制提取s EMG的特征,并结合长短期记忆网络(Long Short-Term Memory,LSTM)动态调整卡尔曼滤波器参数以增强鲁棒性。实验表明,CNN-LKN在DB1和DB2数据集上的CC、R^(2)和RMSE均显著优于其他对比模型,为假肢控制与精确运动解码等应用场景提供了技术支持。
In the field of human-computer interaction,surface electromyography signals(sEMG)are widely used for continuous motion estimation,but existing methods have limitations in nonlinear modeling.To this end,the article studies the CNN-LKN model,which utilizes skip connections and gating mechanisms to extract features of sEMG,and dynamically adjusts the parameters of the Kalman filter in combination with long short-term memory(LSTM)to enhance robustness.Experiments have shown that CNN-LKN outperforms other comparison models in terms of CC,R^(2),and RMSE on the DB1 and DB2 datasets,providing technical support for applications such as prosthetic control and precise motion decoding.
作者
施晨雨
王宇春
SHI Chenyu;WANG Yuchun(School of Information and Electronic Technology,Jiamusi University,Jiamusi Heilongjiang 154007,China)
出处
《信息与电脑》
2025年第5期47-49,共3页
Information & Computer
基金
黑龙江省省属本科高校基本科研业务费科研项目(项目编号:2018-KYYWF-0943)
黑龙江省卫生健康委立项科研课题(项目编号:2019-287)
佳木斯大学优秀学科团队项目(项目编号:JDXKTD-2019008)
佳木斯大学教育教学改革研究项目(项目编号:2021JY1-49)。
