改变决策的知情拒绝提高了基于模式识别的肌电控制的稳定性

科学领域:

• 生物医学工程 生物医学工程
• 康复工程 康复工程
• 机器学习用于假肢.

背景情况:

• 后处理技术增强了基于模式识别的肌电控制决策流.
• 现有的方法通常在静态数据上单独评估,限制了对动态性能权衡的理解.
• 在动态场景中评估平滑与延迟对于现实应用至关重要.

研究的目的:

• 调查和比较八个已建立的肌电控制后处理方案.
• 引入和评估两种新的,有时意识的后处理方法.
• 评估这些技术在连续和动态类过渡期间的性能.

主要方法:

• 八种后处理技术的比较:多数投票,贝叶斯融合,发病锁定,异常值检测,基于信任的拒绝,信任缩放,先行调整和自适应窗口.
• 开发和实施两个新的临时意识计划:决策变化知情拒绝 (DCIR) 和相关方法.
• 使用常规和深度分类器对具有连续类过渡的动态数据集进行评估.

主要成果:

• 拟议的决策变更知情拒绝 (DCIR) 方法在与现有方案相比,表现优越.
• 在稳定状态条件和动态过渡期间,DCIR减少了错误率和决策流波动性.
• 在传统和深度分类器类型中,DCIR的有效性是一致的.

结论:

• 在后处理中利用时间上下文显著提高了肌电控制系统的稳定性.
• 时间意识的方法,如DCIR,通过在动态使用期间更好地拒绝不确定的决策,提供更好的性能.
• 这些发现表明了开发更可靠,更响应的肌电控制接口的新方向.