Oppervlakte-elektromyografie (sEMG) is een niet-invasieve, computergebaseerde techniek die elektrische impulsen kan registreren. De huidige op patroonherkenning gebaseerde controlestrategie kan enige myo-elektrische controle realiseren, maar het is niet zo glad als een menselijke hand.

Onlangs, onderzoekers van de Shenzhen Institutes of Advanced Technology (SIAT) van de Chinese Academie van Wetenschappen stelden een continue schattingsmethode voor voor zes dagelijkse grijpbewegingen door het lange-kortetermijngeheugennetwerk (LSTM).

Volgens een studie gepubliceerd in Biomedische signaalverwerking en controle , het team ontwierp een experiment met zes dagelijkse grijpbewegingen, geselecteerd in het licht van verschillende vormen en diameters van de objecten. Tweeëntwintig sensoren werden rond een CyberGlove geplaatst voor het opnemen van sEMG-signalen.

Om de zes grijpbewegingen te schatten, de onderzoekers voerden de tests uit aan de hand van drie evaluatiecriteria, de Pearson-correlatiecoëfficiënt (CC), de Root Mean SquareError (RMSE) en de genormaliseerde Root Mean Square Error (NRMSE).

Daarna vergeleken ze LSTM met de andere twee algoritmen, SPGP (Sparse Gaussian Processes using Pseudo-inputs) en RBF (Radial Basis Function Neural Network). De resultaten toonden aan dat LSTM beter en sneller presteerde in alle 6 bewegingen.

Hoewel in sommige gewrichten, SPGP of RBF heeft betere prestaties dan LSTM, de statistische analyse toonde aan dat LSTM beter kon presteren bij continue schatting van 20 vingergewrichtshoeken dan SPGP en RBF.

"Onze resultaten laten een goed vooruitzicht op LSTM zien. Het kan worden gebruikt bij de verwerking van bio-elektrische signalen en mens-machine-interactie, " zei Dr. LIN Chuang, corresponderende auteur van de studie. "Opgemerkt moet worden dat de methode moet worden gepersonaliseerd en geoptimaliseerd op basis van verschillende toepassingen."