此示例说明如何使用深度学习预测发动机的剩余使用寿命 (RUL)。
要训练深度神经网络以根据时序数据或序列数据预测数值，可以使用长短期记忆 (LSTM) 网络。
此示例使用 [1] 中所述的涡轮风扇发动机退化仿真数据集。该示例训练一个 LSTM 网络，旨在根据表示发动机中各种传感器的时序数据来预测发动机的剩余使用寿命（预测性维护，以周期为单位度量）。训练数据包含 100 台发动机的仿真时序数据。每个序列的长度各不相同，对应于完整的运行至故障 (RTF) 实例。测试数据包含 100 个不完整序列，每个序列的末尾为相应的剩余使用寿命值。
该数据集包含 100 个训练观测值和 100 个测试观测值。
以往的研究主要集中在离散的动作和单自由度。在基于回归的连续控制方案中，EMG信号通常被视为随机信号，其中运动运动学/动力学由统计特性反映。尽管SPC相关研究在过去十年中取得了巨大的进展，但实现自然直观的基于EMG的控制仍然具有挑战性。本文是第一篇考虑3自由度连续力矩估计的。
肌电控制主要有两个方案：
通常只包含时域特征或者频域特征。
多自由度手腕动作估计：
Regressionconvolutional neural network for improved simultaneous EMG control
Decoding simultaneous multi-DOFwrist movements from raw EMG signals using a convolutional neural network
肌电控制中，CNN模型能够用于减少电极移位的影响，并结合自我校准来在跨天的情况下保持性能。
本文的意义：
力的变化会影响运动单元募集的空间分布，进而导致sEMG信号的不同空间模式。因此，将空间信息引入基于sEMG信号的SPC具有至关重要的意义。本文将每一时刻的高密度肌电作为一幅图像，使用CNN进行力矩估计。
实验范式：单自由度——5个 trial；双自由度——2个 trials。每个 trial 持续30s，动作的频率小于1Hz
神经网络的结构：27层
输入：8 × 24 × 1
输出：1 × 1 × 2
评价标准：
对预测后的力矩进行了一个滑动窗口滤波，滤除了尖刺，更平滑更接近真实的力矩
与传统的回归器做比较：
重点精读文章。这篇文章的literature review部分介绍了很多关于手腕运动学估计的文献，值得学习，为小论文做准备。这篇文章的方法是先把HD-EMG分解成MUST，然后用MUAP卷积MUST得到各个电极处重构的EMG信号，重构的EMG信号构成了一张图像，N个MU的图像构成了CNN某一时刻的输出。这篇文章分析了MU-specific image和discharge rate的回归效果，发现MU-specific image包含更多的local information，而discharge rate只包含了开关量。讨论部分，文章对比了CNN-DR，LR-DR，SVR-DR，ANN-DR，和CNN-image之间的回归效果，通过R2和nRMSE来评价模型的优劣。这篇文章的方法值得借鉴，没有简单地一开始就考虑图像，而是先分解得到MUST，再重构图像。
motor unit的标准翻译是运动单位。这是很重要的一篇文章，文章从人类三角肌和第一背骨间 （f.d.i.） 肌肉记录了多达 8 个同时活动的运动单位的电活动。检测到的肌电信号已使用最近开发的技术分解为构成的运动单位动作电位序列。结果显示，根据运动神经兴奋性，在两种肌肉肌肉和所有受试者组中，存在高度有序的募集和去募集方案。
这篇文章研究了肌肉等长收缩力可以通过一个线性映射来描述，该映射是运动单位放电频率的低频成分。研究人员记录了来自八名健康男性拇指外展肌的肌内 (电极)和高密度表面肌电图(13x5电极网格)，并在最大力的5%、7.5%和10%外进行了60秒的收缩。通过分解算法从肌电图记录中识别出总共222个运动单位的尖峰队列。主成分分析表明，第一个共同成分（FCC）在整个收缩间隔内描述了平滑放电率的44.2+7.5%，而在5秒间隔内描述了64.3+10.2%。当FCC是由每次收缩四个或更多个运动单位计算出来时，相比于单个运动单位，它与肌肉产生的力(62.7+10.1%)相关性更大 (P<0.001)。总之，FCC获得了运动单位放电率低频成分的大部分。
表面EMG信号的包络是通过用持续时间为400ms的Hann窗口对整流的EMG进行滤波而从网格的中心位置的通道计算的。
使用持续时间为400 ms的Hann窗口对每个运动单元的瞬时放电率进行平滑，并使用0.75 Hz的截止频率进行高通滤波（零相位滤波器，H（f）=1−sin（πf/)πf），以消除先前研究中提出的偏移和趋势（De Luca等人，1982）。