Analyzing the Impact of Varied Window Hyper-parameters on Deep CNN for sEMG based Motion Intent Classification

要約

筋電図 (EMG) ベースのプロテーゼ制御におけるディープ ニューラル ネットワークの使用は、EMG 信号から筋肉の活性化パターンを自動的に学習することにより、手作りの機能に代わる有望な方法を提供します。
一方、畳み込みニューラル ネットワーク (CNN) への入力として生の EMG 信号を使用すると、プロテーゼを効果的に制御するためのシンプルで高速な理想的なスキームが提供されます。
したがって、この研究では、ウィンドウの長さとオーバーラップの関係を調査します。これは、CNN に適用するための堅牢な生の EMG 2 次元 (2D) 信号の生成に影響を与える可能性があります。
そして、最適なネットワーク パフォーマンスを保証できるこれらのパラメータの適切な組み合わせの経験則が導き出されました。
さらに、CNN 受容ウィンドウ サイズと生の EMG 信号サイズとの関係を調査します。
実験結果は、生成された信号内のオーバーラップの増加に伴い CNN のパフォーマンスが向上することを示しており、オーバーラップがウィンドウの長さの 75% の場合に、9.49% の精度と 23.33% の F1 スコアの最大の改善が実現しました。
同様に、ネットワーク パフォーマンスは、受容ウィンドウ (カーネル) のサイズが大きくなると向上します。
この研究の結果は、2D EMG 信号の 75% のオーバーラップとより広いネットワーク カーネルの組み合わせが、適切な EMG-CNN ベースのプロテーゼ制御スキームの理想的な運動意図分類を提供する可能性があることを示唆しています。

要約(オリジナル)

The use of deep neural networks in electromyogram (EMG) based prostheses control provides a promising alternative to the hand-crafted features by automatically learning muscle activation patterns from the EMG signals. Meanwhile, the use of raw EMG signals as input to convolution neural networks (CNN) offers a simple, fast, and ideal scheme for effective control of prostheses. Therefore, this study investigates the relationship between window length and overlap, which may influence the generation of robust raw EMG 2-dimensional (2D) signals for application in CNN. And a rule of thumb for a proper combination of these parameters that could guarantee optimal network performance was derived. Moreover, we investigate the relationship between the CNN receptive window size and the raw EMG signal size. Experimental results show that the performance of the CNN increases with the increase in overlap within the generated signals, with the highest improvement of 9.49% accuracy and 23.33% F1-score realized when the overlap is 75% of the window length. Similarly, the network performance increases with the increase in receptive window (kernel) size. Findings from this study suggest that a combination of 75% overlap in 2D EMG signals and wider network kernels may provide ideal motor intents classification for adequate EMG-CNN based prostheses control scheme.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google