文摘

machine-learning-driven决策问题,表面肌电图(表)的手运动识别是一种非侵入性的神经接口的鲁棒控制的关键问题如肌电的假肢和康复机器人。尽管最近成功sEMG-based手运动识别使用端到端深功能学习技术基于深度学习模型,今天的sEMG-based手运动识别系统的性能仍然是噪声的限制,面肌信号的随机和非平稳的特性和研究人员已经提出了许多方法,改善sEMG-based手运动通过特性工程。旨在实现更高sEMG-based手运动识别精度而使性能和计算复杂度之间的权衡,本研究提出了一个渐进融合网络(PFNet)框架,使sEMG-based手运动识别通过集成域knowledge-guided特性的工程和深功能学习。特别是,它从原始表学习高级特性表征信号和改造的时频域特性通过学习网络特性和领域知识网络,分别,然后采用强度渐进融合策略逐步融合两个网络连接在一起并获得最终的决定。广泛实验五表数据集来评估我们的提议PFNet,和实验结果表明,该PFNet能达到平均手运动识别精度为87.8%,85.4%,68.3%,71.7%,和90.3%的五个数据集,分别,这比那些通过艺术的状态。

1。介绍

作为一个精确的和非侵入性的方式解码用户的手的动作的意图,肌电图(表)的手运动识别表面已经进行了广泛的调查在康复工程领域(1,2和人机交互3,4]。在意识到sEMG-based手运动识别的关键问题之一是machine-learning-driven决策分类表序列信号的问题,已经进行了很多努力在改善sEMG-based手运动识别设计更具代表性特征(5),开发更复杂的机器学习模型(6),和增加传感器的数量7]。

从机器学习的角度来看,现有sEMG-based手运动识别方法可以大致分为基于(1)的方法工程特性和(2)方法基础上学习功能(8]。前者指方法基于传统的浅学习模型和手工制作的时间域(TD)、频域(FD),或时频域(TFD)特性,而后者是指基于端到端的深度学习模型的方法,可以学习代表高级特性从原始表信号不依赖任何工程特性。

在过去的五年中,功能学习方法基于端到端的深度学习模型如卷积神经网络(cnn) [9)和递归神经网络(RNNs) (10)被广泛研究sEMG-based手运动识别。另一方面,由于噪声,随机的,面肌和不稳定的本质,研究人员也意识到实现强劲sEMG-based手运动识别精度仍然是一个具有挑战性的问题的端到端深度学习模型。例如,一个早期的研究在这个领域显示平均手运动识别精度通过端到端CNN模型明显低于通过传统浅学习模型,如随机森林和支持向量机(SVM)的大规模非侵入式自适应假肢(NinaPro)数据库(11]。后来的研究在这个数据库12,13提出更有前景的结果通过手动调整和优化端到端深度学习模型,比肤浅的学习模型。

与功能的学习方法相比,传统的手运动识别性能特性工程方法在很大程度上是依赖于特征的选择和提取,通常手动完成基于领域知识的积累通过大量实验和评估。这样一些领域知识积累通常被认为是有用的在提高深上优于肌电的模式识别(14]。因此,许多最近的研究在这个领域试图提取和评价多个工程特征作为输入的深度学习模型。例如,米勒et al。15)中提取一组11 TD从面肌功能为手的运动信号识别使用很长一段短期记忆(LSTM)模型,实现了99.8%的平均识别精度分类2日一系列功能掌握直径的对象。程等。16]提取两个TD特性和FD面肌信号的特征,构造成multi-sEMG特性为手的运动图像识别使用CNN模型,并实现了82.5%的平均识别精度分类52手部运动在27个科目。Allard et al。17)评价不同的输入形式的CNN模型转移学习架构,发现短时傅里叶transform-based色和连续小波变换(CWT)特性优于原始表在17个学科分类7手的动作信号。沈et al。18)提取FD和TFD特性从面肌电信号的信号,表示他们的图片,并使用它们叠加合奏CNN-based手运动识别,他们实现了72.1%的平均识别精度在10科目分类40手部运动。我们之前的研究(14]提取三套面肌电信号的信号的特征,构造成的多视点表示面肌手运动识别信号,并实现了83.7%的平均识别精度分类50手部运动40多个主题。

综上所述,现有的深度学习方法sEMG-based手运动识别可以分为端到端深度学习方法和non-end-to-end深度学习方法考虑他们的输入。虽然现有non-end-to-end深度学习方法提高了sEMG-based手运动识别性能使用工程特性而不是原始表信号作为输入,他们在相当大的程度上忽略了功能深度学习模型的学习能力。换句话说,他们的手运动识别性能高度依赖的选择工程特性,通常是基于领域知识或离线实验结果在一个小的数据集。此外,采用多个工程特性的方法作为输入深度学习模型(14,18),该功能工程过程需要更多的计算时间和资源,限制其在实时系统中使用。

因此,在这项研究中,我们提出一个渐进融合网络(PFNet),旨在提高sEMG-based手运动识别通过渐进集成域knowledge-guided特性的工程和CNN-based深功能学习。特别是,提出PFNet架构由三个部分组成,即功能学习网络,领域知识网络,并逐步融合模块。学习网络特点和领域知识网络学习高级特性表征从原始表信号和工程特性,分别和两个网络逐步集成在一起通过一个号的过程中进步的融合模块。

拟议中的PFNet架构的主要贡献是双重的:(1)我们建立两个独立的神经网络,即学习网络特点和领域知识网络,分别从原始表学习区别的高级特性表征信号和小波分组TFD的特性,已经被证明是有效的sEMG-based手运动识别早期的研究;因此,手运动可以提高识别性能的帮助下深特征学习和积累一些领域知识。(2)我们雇了一个强度过程渐进集成域knowledge-guided特性工程和深特征学习sEMG-based手运动识别。特别是特性融合了起初保险丝高级特性表征学习在两个不同深度的功能一起学习网络和领域知识网络通过两个子网,然后,这两个子网是融合在一起的输出决定通过决策级融合。这样一个号集成策略被认为是能够学习更多不同的高级特性表征,这有利于提高手运动识别性能。

五个数据集上的实验结果不仅证明的有效性域knowledge-guided特性的集成工程和深特征学习sEMG-based手运动识别,但也表明,我们的方法优于其他先进的方法。

2。材料和方法

2.1。数据集和数据预处理

本研究实验进行5 subdatasets NinaPro存储库(19),它提供了公开的多通道面肌信号记录完整的主题和trans-radial截肢者。表1提出了简短的信息在这项研究中,使用的表的数据集和详细描述如下:

第一subdataset NinaPro(表示NinaProDB1)提供10-channel面肌电信号采集的信号53手部运动由27名健康受试者。NinaProDB1的手部运动分为12个手指运动(运动),17个手腕动作,手的姿势(表示运动B), 23日把握和功能性运动(表示运动C),和其他运动,重复10次(即每只手运动。10每手运动试验)(20.]。大多数现有的研究在这个NinaProDB1排除其余运动从他们的实验10,12,14,22),在我们的实验中我们也排除其余的运动性能比较的方便。

第二subdataset NinaPro(表示NinaProDB2)提供12-channel面肌电信号采集的信号50手的动作由40名健康受试者。手的动作在NinaProDB2分为17手腕动作和手的姿势(即。,一样锻炼NinaProDB1 B), 23把握和功能性运动(即。,as same as Exercise C in NinaProDB1), 9 force patterns (denoted as Exercise D), and the rest movement, and each hand movement was repeated 6 times (i.e., 6 trials per hand movement) [20.]。

第三subdataset NinaPro(表示NinaProDB3)提供12-channel面肌电信号采集的信号50手的动作由11 trans-radial截肢。的手部运动NinaProDB3 NinaProDB2完全相同,并重复了6次(即每只手运动。6每手运动试验)(20.]。根据Atzori et al。20.),在数据记录过程中NinaProDB3三trans-radial截肢科目打断结束前的实验由于疲劳或疼痛,和两个trans-radial截肢科目只用10电极收集表信号由于空间不足。这些受试者的数据忽略了在我们的实验中,确保手的动作重复的数量,以及面肌通道的数量为每个主题,是相同的。

第四subdataset NinaPro(表示NinaProDB4)提供12-channel面肌电信号采集的信号53手部运动由10名健康受试者。的手部运动NinaProDB4 NinaProDB1完全相同,并重复了6次(即每只手运动。6每手运动试验)(21]。检查数据之后,我们发现两个科目(即。,subject 4 and subject 6) did not complete all hand movements, and their data were omitted in our experiments.

第五subdataset NinaPro(表示NinaProDB5)提供16通道面肌电信号采集的信号53手部运动由10名健康受试者。的手部运动NinaProDB5 NinaProDB1完全相同,并重复了6次(即每只手运动。6每手运动试验)(21]。41手部运动的一个子集分类在我们的实验中,和选择的手部运动的规范可以在找到21]。

面肌信号记录下NinaProDB1奥托博克13 e200-50电极在采样率为100 Hz,面肌信号记录下NinaProDB2和db4 Delsys Trigno无线电极在2 k赫兹,采样率和面肌信号记录下NinaProDB4 Cometa波+无线表系统的采样率2 k赫兹(20.,21]。由于内存限制,我们downsampled面肌信号NinaProDB2-NinaProDB4从2 k赫兹到100赫兹。也采用相同的实验配置(14]。

原始表的信号在每个数据集被滑动窗口分割。早期的研究(23,24]表明,实时肌的最大允许时滞控制系统是300 ms,和所有实验在这项研究中,我们使用滑动窗口不再比200 ms段原始表的信号。滑动窗口长度的详细信息和步骤用于这项研究将在本研究的结果与讨论部分。

2.2。域Knowledge-Guided工程特性和功能扩充

离散小波变换(DWT)是一种时频分析方法,迭代分解原始离散时间序列在多分辨率分解后小波系数通过一组半分数段过滤器,建立了基于双正交小波基函数(25]。如图1(一)在第一波水平,半分数段低通滤波器和半分数段高通滤波器分解原始信号X成两个序列低分辨率系数的空间,即比例系数C_一个的近似表示X和小波系数C_D的详细表示X,分别。这样的过程是迭代重复在随后的小波分解尺度系数的水平,导致双通道的树状结构,次级样本2在每个节点的信号。

离散小波包变换(方法)是DWT的延伸,在这不仅缩放系数,而且小波系数分解为两个序列低分辨率空间在每个小波系数的水平。如图1 (b)当小波的水平k= 3,方法的输出是由共有2³= 8序列的方法进行系数(DWPTCs),它可以被视为原始信号的多分辨率表示X在8个副环带。

的方法已广泛应用于sEMG-based手运动识别的特征工程技术提取TFD的特性。常规浅层学习方法通常提取统计特征,如能源、平均值、标准偏差、偏态和峰态。常规浅层学习方法通常提取统计特征,如能源、平均值、标准差、偏态和峰态从DWPTCs作为分类器的输入(26,27),而大多数国家的艺术采取的策略使用图像产生DWPTCs在所有分解后形成深层神经网络的输入14,18]。在我们之前的研究14),共11个工程特性和特性集进行评估的输入CNN模型sEMG-based手运动识别,识别精度,结果表明,运动在不同的数据集通过DWPTCs超过所有其他功能和特性集。

基于上述领域知识,DWPTCs从原始表中提取信号在这项研究中产生的输入图像领域知识网络。本研究中使用的方法进行hyperparameters是完全相同的用于我们的先前的研究[14]。特别是,我们使用Daubechies 1小波基函数,小波的水平k被设置为 ,在哪里N是输入信号的长度(即。滑动窗口的长度)。对于每个面肌通道,结果2^kDWPTC序列分解后都连接在一起,形成一个DWPTC向量,和DWPTC向量面肌通道堆放到DWPTC形象。

两个DWPTC图像提取每个滑动窗口被提出的算法进一步增强江和阴28]。这样特性增强战略,也是采用我们之前研究[14),使每个面肌频道有机会被相邻的其它通道通过通道重组,从而提供额外的空间之间的相关性不相邻面肌渠道深度学习模型。假设DWPTC形象从每一帧中提取滑动窗口的形状D×C,在那里C面肌通道的数量,是吗D×CDWPTC被重组成一个图像D×米特性增强后图像。当C= 10米= 50,当C= 12,我们有米= 72。

2.3。提出PFNet架构

图2展示了我们提出的架构PFNet,学习网络的特性,领域知识网络,并逐步融合模块。假设Nframe滑动窗口用于段C声道输出表信号,输入的图像特征学习网络 面肌图像,由叠加形成的 - - - - - -通道原始表信号在一起,领域知识网络的输入图像 重组DWPTC图像,讨论了在前面的小节。

2.4。学习网络特性

特征学习网络上执行功能学习生面肌电信号的信号,它由两个卷积层3×3过滤器,两个本地连接层与11个过滤器,和一个完全连接层与512年隐藏的单位。输出的数量特征图的每一层神经网络学习网络的特点是设置为64。功能学习网络共享相同的架构GengNet的前四个神经网络层(12),显示承诺sEMG-based手运动识别性能在现有的研究12- - - - - -14]。

2.5。领域知识网络

领域知识网络学习高级特性表征从重组DWPTC图像。领域知识网络的网络体系结构略有不同学习网络的特征,这是由一个卷积与1×1层过滤器,一个回旋的层2×2过滤器,两个本地连接层与1×1过滤器,和一个完全连接层与1024年隐藏的单位。输出的数量特征的地图领域知识网络的每一个神经网络层也设置为64。

2.6。进步的融合模块

传统融合方法来处理来自多个源的特征向量得到可以分为级融合和决策级融合,和前连接特征向量和feed生成的特征向量分类器,而后者建立独立分类器从每个数据源特征向量,然后融合在一起形成的决定最终决定(29日]。

在这项研究中,我们提出了渐进融合模块如图3学习网络的融合特征和领域知识网络,能够获得更多样化的高级特性表示通过一个号融合的过程。假设和表示所学到的扁平的特征图4(即神经网络层。,the 2nd locally connected layers) of feature learning network and domain knowledge network, respectively, and和表示的特征向量学习5日(即神经网络层。,the 1st fully connected layers) of feature learning network and domain knowledge network, respectively, the 3-stage fusion process can be formulated as follows.1 st-stage融合(特性融合): 2 nd-stage融合(特性融合): 3 rd-stage融合(决策级融合): 在这里,表示连接操作和表示element-wise求和操作, 是两个子网高层特征级融合的学习在两个不同的深度学习网络和领域知识网络的特性,然后呢和分别指它们的参数和输出的决定。如方程所示(3),两个子网的产量决策和 ,softmax分数的形式,最后总结了在3 rd-stage融合得到最终决定(分类结果)。

更明显的视图的两个子网号的特性融合逐步融合的过程,我们的1号和2号子网(例如,和 )分别用蓝色和红色线,如图3。

2.7。神经网络配置和Hyperparameter设置

我们应用批正常化30.]的每个神经网络层PFNet减少内部协变量调整和修正线性单元(ReLU)激活函数(31日)每个神经网络层后,培训过程。如图3,我们也应用辍学正规化(32)在五(即神经网络层。,the 2nd locally connected layers and the 1st fully connected layers of the feature learning network and the domain knowledge network, as well as the 1st fully connected layer of the 1st subnetwork )避免过度拟合。

为了防止过度拟合,对所有实验在本研究中我们采用训练的策略,已广泛应用于sEMG-based手运动识别系统(10,12- - - - - -14,33]。特别是,在每个实验中,我们使用所有可用的培训首先pre-trained模型数据,然后使用pre-trained模型作为初始模型在每个折叠的验证。培训前和培训是基于随机梯度下降法(SGD)算法与批处理大小为1000,和训练时期的数量设置为28。改善收敛性,我们也应用一个学习速率衰减策略34),初始化学习速率0.1除以10 16和24日时代。对于辍学正规化的层,辍学率将0.5在训练前和训练期间设置为0.65。

2.8。评价指标

为方便性能比较,本研究中使用的评价指标上的现有研究中使用的相同NinaPro数据集(10,12,14,20.,22,33,35]。特别是,我们跟着intra-subject NinaPro数据集的作者提出的分类方案(20.,21],它使用面肌电信号的信号大约2/3的手运动重复执行的每个主题的训练集和面肌信号从剩下的手运动重复执行相同的主题作为测试集。最后手运动识别精度在每个数据集得到的平均值在所有科目取得了精度。

训练集和测试集的选择的不同subdatasets NinaPro可以描述如下:NinaProDB1:面肌电信号的信号从1日,3日,4日,6日,7日,8日和9日重复的手部运动作为训练集,虽然面肌电信号来自第二信号,5日和10日重复的手部运动构成了测试集。NinaProDB2、NinaProDB3 NinaProDB4, NinaProDB5:面肌信号从1日,3日,4日和6日重复的手部运动作为训练集,而从第二和第五面肌信号重复的手部运动构成了测试集。

3所示。结果与讨论

3.1。计算时间和效率

所有实验在这项研究中进行离线MXNet [36NVIDIA GeForce GTX 1080 Ti GPU。在我们的实验中,硬件因素,影响了计算时间和训练速度不仅包括GPU利用率,而且网络吞吐量,因为所有的离线试验数据(即。、面肌信号)存储在一个网络附加存储(NAS)设备;因此,我们很难估计的计算时间提出了sEMG-based PFNet手运动识别在实际场景。即便如此,我们计算的近似计算时间和效率训练,如下。

每个折叠的培训(即。,each subject) of intra-subject evaluation took approximately 23–30 minutes on NinaProDB1, 11–17 minutes on NinaProDB2, 18–20 minutes on NinaProDB3, 37–39 minutes on NinaProDB4, and 3–4 minutes on NinaProDB5, and the training speed on NinaProDB1, NinaProDB2, NinaProDB3, NinaProDB4, and NinaProDB5 was approximately 3500 samples per second, 3300 samples per second, 6400 samples per second, 3300 samples per second, and 3500 samples per second, respectively.

3.2。烧蚀研究方法

在机器学习中,“烧蚀研究”通常是指一个过程评价的某些地区深层神经网络,在其他地区的深层神经网络从评价中删除。在这项研究中,我们进行了两次消融研究提出PFNet来验证其有效性,可描述如下:(1)消融研究1:提出PFNet性能比较,PFNet没有领域知识网络和其输入(表示FLonly),和PFNet没有功能学习网络和它的输入(表示DKonly),以验证集成领域的有效性knowledge-guided特性工程和深特征学习sEMG-based手运动识别。FLonly神经网络架构和DKonly数据中所示4(一)和4 (b),分别。(2)烧蚀研究2:不同方法之间的性能比较学习网络和领域知识网络的融合特性,包括提出了渐进融合模块、决策级(即。,分数)融合的方法,和两级融合方法。

所有这些消融实验研究滑动窗口长度设置为200毫秒,和窗口一步是设置为10 ms除了NinaProDB5实验,我们遵循所使用的实验配置Pizzolato et al。21和我们之前的研究14一步100 ms)设置窗口。

图5展示了平均手运动识别精度通过FLonly DKonly,我们提议PFNet。实验结果表明,我们建议的PFNet优于FLonly和DKonly在所有的数据集(即。NinaProDB1-NinaProDB5)。特别是,平均手运动识别精度通过我们的提议PFNet 87.8±4.2%, 85.4±5.1%, 68.3±9.2%, 71.7±7.4%, NinaProDB1和90.3±3.2%,NinaProDB2, NinaProDB3, NinaProDB4 NinaProDB5,分别,这远高于那些通过FLonly架构(即。84.0±5.2%,80.8±5.7%,48.6±8.0%,69.9±7.9%,NinaProDB1和72.7±4.1%,NinaProDB2, NinaProDB3, NinaProDB4和NinaProDB5分别)。与FLonly相比,平均手运动识别精度通过DKonly架构更接近,但也大大超过了那些通过该PFNet, 87.4±4.2%, 85.1±5.2%, 66.6±9.4%, 71.2±7.5%, NinaProDB1和89.6±3.7%,NinaProDB2, NinaProDB3, NinaProDB4和NinaProDB5分别。

消融研究1的实验结果表明,该集成域knowledge-guided特性的工程学习和深度特性是一种有效的方法提高sEMG-based手运动识别。尽管输入数据可能会增加计算复杂度的增加,计算时间和训练速度提出了部分3.1仍然接受现实sEMG-based手运动识别系统。此外,与其他深学习方法相比,只有依赖域knowledge-guided特性工程(14,18),域knowledge-guided特性的集成工程和深特征学习之间达到平衡的手运动识别性能和计算复杂度,为实时应用程序有意义的场景。

在消融研究2,我们进行了不同方法之间的性能比较学习网络和领域知识网络的融合特性,包括我们提出渐进融合模块,决策级(即。,得分(如图)融合方法4 (c)),一个部件级融合方法(表示作为第一阶段特性融合,如图4 (d)),相当于PFNet没有第二阶段融合和第三阶段融合,和特性融合的方法(表示第二阶段特性融合,如图4 (e)),相当于PFNet没有第一阶段和第三阶段融合融合。决策级融合方法,隐藏的数量单位2完全连接层特性学习网络和领域知识网络设置为512,这是一模一样的数量去年完全隐藏单位的第二连接层1号和2号子网。

图6展示了平均手运动识别精度通过决策级融合,第一阶段特性融合、阶段2级的融合,我们提议PFNet。根据实验结果,强度进步的融合可以实现sEMG-based手运动识别精度高于传统的单级特性融合(例如,阶段1级的融合和第二阶段特性融合)方法或决策级融合方法。然而,我们还发现,性能之间的差距提出了渐进融合模块和传统融合方法不显著。例如,阶段1级的融合实现手运动识别精度为87.6±4.3%,85.2±5.1%,67.5±9.1%,71.4±7.5%,NinaProDB1和89.9±3.2%,NinaProDB2, NinaProDB3, NinaProDB4 NinaProDB5,分别,这是那些通过PFNet非常接近。微妙的性能差距不同的融合方法表明,卷积和本地连接层的底部特征学习领域知识网络和可能发挥更主要的作用在sEMG-based手运动识别。

3.3。与艺术的状态进行比较

我们还比较了平均手运动识别精度通过拟议中的PFNet通过艺术的状态。对于一个公平的性能比较,我们只考虑艺术的状态,使用相同的intra-subject分类方案中描述的部分2。4,我们评估的手运动识别精度达到50毫秒的滑动窗口,100毫秒,150毫秒,200毫秒。窗口一步设置中使用的相同消融研究,除了实验NinaProDB5 50毫秒、100 ms,和150 ms滑动窗口中,我们设置了窗口一步10 ms。

表2介绍了运动识别精度通过我们提出PFNet NinaProDB1和国家的艺术,NinaProDB2, NinaProDB3 NinaProDB4, NinaProDB5。根据实验结果,我们提出PFNet实现手运动识别精度高于所有最先进的深度学习方法(10- - - - - -14,16,18,22,37,38和肤浅的学习方法20.,21)表中列出2NinaProDB2、NinaProDB3 NinaProDB4, NinaProDB5。NinaProDB1,我们提议PFNet被MV-CNN表现,提出了在我们之前的研究(14]。另一方面,应该提到MV-CNN是一种多视点深度学习方法,使用了三个高维特性集作为输入,和之间的性能差距PFNet NinaProDB1 MV-CNN是无关紧要的。这些结果表明,我们建议的PFNet框架可以有效改善sEMG-based手运动识别这两个功能的帮助下学习和工程领域knowledge-guided特性。

4所示。结论

针对改善sEMG-based手运动识别,本研究提出了一个渐进融合网络(PFNet)框架,从原始表学习高级特性表征信号和离散小波包变换系数(DWPTCs)通过学习网络特点和领域知识网络,分别,然后采用渐进融合模块一起把两个网络通过一个号的过程,得到最终的决定。

烧蚀研究进行了五个开源面肌电信号数据集(即。,NinaProDB1-NinaProDB5), and the experimental results proved the effectiveness of integration of domain knowledge-guided feature engineering and deep feature learning in sEMG-based hand movement recognition, as well as the effectiveness of the proposed progressive fusion module.

此外,我们还进行了性能比较,NinaProDB1-NinaProDB5艺术的状态。实验结果表明,该PFNet能达到的平均手运动识别精度87.8±4.2%,85.4±5 . .1%, 68.3 ± 9.2%, 71.7 ± 7.4%, and 90.3 ± 3.2% on NinaProDB1, NinaProDB2, NinaProDB3, NinaProDB4, and NinaProDB5, respectively, which outperformed those achieved by the state-of-the-art methods on most of the evaluated datasets. Compared with our recently proposed method that used multiple engineered feature sets as its input [14),我们建议PFNet可以获得更高的或几乎相同的手运动识别精度只有一种类型的工程特性。

未来改进的建议PFNet框架将专注于深层神经网络体系结构的简化,同时保持其性能,实时sEMG-based手运动识别系统通常需要一个更轻量级的机器学习模型参数较少,减少计算复杂度。

数据可用性

面肌信号支持本研究的发现来自NinaPro数据集,这是在ninapro.hevs.ch公开。描述NinaPro数据集引用的论文在相关地方引用的文本内20.,21]。处理数据和训练有素的深层神经网络用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

确认

作者感谢NinaPro团队提供宣传可用表数据库。这项工作是支持部分由中国国家自然科学基金批准号62002171下,江苏省自然科学基金批准号下BK20200464,高中哲学和社会科学基金会中国江苏省教育部批准号2021 sjzda016之下。