Resumen

Como medio de interacción humano-computadora, es crucial interpretar correctamente y de manera rápida la información de movimiento de la electromiografía de superficie (sEMG). El aprendizaje profundo puede reconocer una variedad de acciones sEMG mediante un entrenamiento de extremo a extremo. Sin embargo, la mayoría de los enfoques de aprendizaje profundo existentes tienen estructuras complejas y numerosos parámetros, lo que hace que el problema de optimización de la red sea difícil de realizar. En este documento, se diseña un novedoso modelo de red neuronal convolucional ligero optimizado basado en PSO (PLCNN) para mejorar la precisión y optimizar el modelo con aplicaciones en el reconocimiento de movimientos de señales sEMG. Con el propósito de reducir la complejidad estructural de la red neuronal profunda, el modelo de red neuronal convolucional diseñado está compuesto principalmente por tres capas de convolución y dos capas de conexión completa. Al mismo tiempo, se utiliza la optimización por enjambre de partículas (PSO) para optimizar hiperparámetros y mejorar la capacidad auto

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Electromiografía de superficie; Aprendizaje profundo; Red neuronal convolucional; Optimización PSO; Reconocimiento de señales sEMG; Conjunto de datos Ninapro
• Keywords:Surface electromyography; Deep learning; Convolution neural network; PSO optimization; SEMG signal recognition; Ninapro dataset