用于运动单元活动追踪的动作电位卷积神经网络分类方法仿真研究

为了解决在真实条件下运动单元动作电位(MUAP)波形变异导致的MUAP分类识别准确率低,进而降低运动单元(MU)追踪性能的问题,提出了一种基于卷积神经网络(CNN)的MUAP分类方法,并利用仿真数据进行了效果验证。该方法以被称为MU指纹的MUAP波形作为模型输入,结合Keras深度学习框架设计的CNN网络结构简单,并采取Early-stop策略训练网络,可实现不同MU的准确分类和匹配,从而持续追踪给定MU放电活动。所提基于CNN的MU分类方法能够在样本量较小的情况下,即每个MU可获取(54.49±29.28)个MUAP波形样本,对平均(30.23±5.37)个MU进行准确分类,分类准确性达到(89.41%±3.72%),显著高于现有的基于MUAP波形相似度的方法(49.66%±6.12%)。结果表明,所提方法对MUAP波形变异展现出了更好的鲁棒性,为开展真实条件下MU放电活动持续追踪研究提供重要的技术支撑,对运动控制的神经机制研究等具有重要意义。