キャリブレーションフリー表面筋電図（sEMG）による上肢リハビリテーションのための自己教師あり事前学習と敵対的ドメインアライメントを用いた意図認識
Yuanbo Yang1,2, Hiu Hong Teo3, Yeong Jin King4
1College of Mechanical and Electrical Engineering, Qingdao Binhai University, Qingdao, 266555, China. 06576@qdbhu.edu.cn.
Scientific reports
|December 29, 2025
まとめ
本研究は、表面筋電図（sEMG）を用いた上肢運動意図の正確でキャリブレーションフリーな認識のための新しいフレームワークを導入します。この手法は、被験者不変の特徴学習とドメインアライメントを改善することにより、リハビリテーションロボットを強化します。
科学分野:
- 生体医工学
- ロボット工学
- 機械学習
背景:
- 表面筋電図（sEMG）は、リハビリテーションロボットの制御に不可欠です。
- sEMGからの上肢運動意図のキャリブレーションフリー認識は、重大な課題です。
研究 の 目的:
- 正確でキャリブレーションフリーなsEMGベースの上肢運動意図認識のための統一フレームワークを開発すること。
- リハビリテーションロボットのためのsEMGインターフェースの移植性と拡張性を向上させること。
主な方法:
- 自己教師あり時間-周波数領域事前学習と敵対的ドメインアライメントを組み合わせた統一フレームワーク。
- 被験者不変の特徴学習のためのマスク時間周波数モデリング。
- 被験者間およびデータセット間の汎化のための勾配逆転ドメインアライメント。
主要な成果:
- NinaPro DB2で89.4%（被験者除外交差検証）、CapgMyo DBaで86.9%の精度を達成しました。
- データセット間転移精度は82.1%（DB2→DBa）および83.5%（DBa→DB2）を示しました。
- 自己教師あり学習と敵対的アライメントは相補的であり、摂動下で堅牢なパフォーマンスを発揮することがわかりました。
結論:
- 提案されたフレームワークは、上肢リハビリテーションのためのスケーラブルでポータブルなプラグアンドプレイsEMGインターフェースを提供します。
- このアプローチは、キャリブレーションフリーの運動意図認識を大幅に改善し、リハビリテーションロボットを進歩させます。
- この方法は、臨床および在宅リハビリテーションの両方のアプリケーションで有望です。
