A eletromiografia de superfície (sEMG) é um método não invasivo, técnica baseada em computador que pode registrar impulsos elétricos. A presente estratégia de controle baseada em reconhecimento de padrões pode realizar algum controle mioelétrico, mas não é tão suave quanto uma mão humana.

Recentemente, pesquisadores dos Institutos de Tecnologia Avançada de Shenzhen (SIAT) da Academia Chinesa de Ciências propuseram um método de estimativa contínua para seis movimentos de preensão diários pela rede de memória de curto prazo longa (LSTM).

De acordo com um estudo publicado em Processamento e controle de sinais biomédicos , a equipe projetou um experimento em seis movimentos diários de preensão selecionados à luz das diferentes formas e diâmetros dos objetos. Vinte e dois sensores foram espaçados em torno de um CyberGlove para registrar sinais sEMG.

Para estimar os seis movimentos de preensão, os pesquisadores realizaram os testes por meio de três critérios de avaliação, o coeficiente de correlação de Pearson (CC), o Root Mean SquareError (RMSE) e o Root Mean Square Error normalizado (NRMSE).

Em seguida, eles compararam o LSTM com os outros dois algoritmos, SPGP (Sparse Gaussian Processes using Pseudo-inputs) e RBF (Radial Basis Function Neural Network). Os resultados mostraram que o LSTM teve um desempenho melhor e mais rápido em todos os 6 movimentos.

Embora em algumas articulações, SPGP ou RBF tem melhor desempenho do que LSTM, a análise estatística mostrou que o LSTM pode ter um desempenho melhor na estimativa contínua de ângulos da articulação de 20 dedos do que o SPGP e o RBF.

"Nossos resultados mostram uma perspectiva brilhante do LSTM. Ele pode ser usado no processamento de sinais bioelétricos e na interação homem-máquina, "disse o Dr. LIN Chuang, autor correspondente do estudo. “Deve-se destacar que o método deve ser personalizado e otimizado com base em diferentes aplicações”.