Redes neuronales artificiales para la estimación de la posición de la mano basada en HD-sEMG: abordando la...

Área de la Ciencia:

• Ingeniería Biomédica
• Tecnología de Rehabilitación
• Interacción Humano-Computadora

Sus antecedentes:

• La electromiografía de superficie de alta densidad (HD-sEMG) ofrece potencial para controlar dispositivos de rehabilitación y asistencia.
• Los sistemas de control HD-sEMG actuales carecen de robustez debido a cambios de electrodos, cambios en las condiciones de la piel y variabilidad del usuario.
• Esto limita la implementación confiable de interfaces músculo-computadora en escenarios del mundo real.

Objetivo del estudio:

• Evaluar la robustez de la Red de Control Protésico Recursivo (RPC-Net) con un sistema de Matriz de Electrodos de Alta Densidad (HDE-Array).
• Evaluar el rendimiento del sistema en condiciones de uso realistas, incluido el reposicionamiento de electrodos y la generalización entre sujetos.
• Determinar si la incorporación de variabilidad durante el entrenamiento mejora el rendimiento del sistema.

Principales métodos:

• El sistema RPC-Net/HDE-Array se probó en condiciones de entrenamiento estáticas frente a condiciones que simulaban el uso en la vida real.
• Se evaluó el rendimiento con y sin tener en cuenta el reposicionamiento de electrodos durante el entrenamiento.
• Se evaluó la generalización entre sujetos entrenando con datos de múltiples sujetos.

Principales resultados:

• El sistema RPC-Net/HDE-Array mostró alta sensibilidad al reposicionamiento de electrodos y a la variabilidad de la piel cuando se entrenó estáticamente.
• La robustez mejoró significativamente cuando los datos de entrenamiento incluyeron variabilidad realista, como cambios de electrodos.
• El rendimiento mejoró con más sujetos en el grupo de entrenamiento, excluyendo al sujeto probado, lo que indica una dependencia de patrones específica del sujeto.

Conclusiones:

• El sistema RPC-Net/HDE-Array puede lograr un rendimiento robusto en diferentes sesiones y usuarios cuando se entrena en condiciones realistas.
• El entrenamiento con variabilidad es crucial para mitigar la degradación del rendimiento.
• Esta investigación es un avance significativo hacia la aplicación práctica de las interfaces músculo-computadora.