• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • La red de memoria a corto plazo se desempeña mejor en la estimación continua

    Figura 1. Resumen del NRMSE de LSTM, RBF y SPGP para 6 movimientos. Crédito:LIN Chuang

    La electromiografía de superficie (sEMG) es un método no invasivo, técnica basada en computadora que puede registrar impulsos eléctricos. La presente estrategia de control basada en el reconocimiento de patrones puede realizar algún control mioeléctrico, pero no es tan suave como una mano humana.

    Recientemente, Investigadores de los Institutos de Tecnología Avanzada de Shenzhen (SIAT) de la Academia de Ciencias de China propusieron un método de estimación continua para seis movimientos de agarre diarios mediante la red de memoria a corto plazo (LSTM).

    Según un estudio publicado en Procesamiento y control de señales biomédicas , el equipo diseñó un experimento sobre seis movimientos de agarre diarios seleccionados a la luz de diferentes formas y diámetros de los objetos. Se colocaron veintidós sensores alrededor de un CyberGlove para registrar señales sEMG.

    Para estimar los seis movimientos de prensión, los investigadores realizaron las pruebas a través de tres criterios de evaluación, el coeficiente de correlación de Pearson (CC), el error cuadrático medio de la raíz (RMSE) y el error cuadrático medio de la raíz normalizada (NRMSE).

    Luego compararon LSTM con los otros dos algoritmos, SPGP (Procesos gaussianos dispersos que utilizan pseudo-entradas) y RBF (Red neuronal de función de base radial). Los resultados mostraron que LSTM se desempeñó mejor y más rápido en los 6 movimientos.

    Fig. 2. La estructura de la cadena con módulos repetitivos de LSTM. Crédito:LIN Chuang

    Aunque en algunas articulaciones, SPGP o RBF tiene un mejor rendimiento que LSTM, el análisis estadístico mostró que LSTM podría funcionar mejor en la estimación continua de ángulos de articulación de 20 dedos que SPGP y RBF.

    "Nuestros resultados muestran una perspectiva brillante de LSTM. Se puede utilizar en el procesamiento de señales bioeléctricas y la interacción hombre-máquina, "dijo el Dr. LIN Chuang, autor correspondiente del estudio. Cabe señalar que el método debe personalizarse y optimizarse en función de diferentes aplicaciones ”.


    © Ciencia https://es.scienceaq.com