适应性HD-sEMG分解:实现神经驱动器的强大实时解码
Dennis Yeung1, Francesco Negro2, Ivan Vujaklija1
1Department of Electrical Engineering and Automation, Aalto University, Espoo, Finland.
Journal of neural engineering
|March 13, 2024
概括
这项研究介绍了一种适应算法,用于解码高密度表面肌电图 (HD-sEMG) 信号. 与静态方法相比,自适应方法显著提高了电机单元解码精度,这对于强大的神经接口至关重要.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 神经接口依赖于解码电肌图 (EMG) 信号.
- 高密度表面EMG (HD-sEMG) 提供丰富的信号信息,但易受非静止性的影响.
- 关节姿势和肌肉收缩强度的变化挑战信号稳定性.
研究的目的:
- 开发和验证一个自适应实时算法,用于从HD-sEMG解码的动力单元.
- 评估算法对信号非静止性的稳定性.
- 将自适应算法的性能与静态解码方法进行比较.
主要方法:
- 开发了一个自适应实时电机单元解码算法.
- 该算法在HD-sEMG数据上进行了测试,这些数据来自扩展器 carpi radialis brevis.
- 性能与肌肉内EMG分解在异面收缩期间与不同手腕角度和强度进行了基准测试.
主要成果:
- 适应解码算法显示了显著更高的解码精度.
- 与初始化数据相比,在不同收缩条件的试验中,性能优于初始化数据.
- 静态解码方法在非静态条件下显示精度较低.
结论:
- 适应性参数调整对于来自HD-sEMG的强大的神经解码至关重要.
- 过器重复使用解码方法在非静止环境中存在局限性.
- 开发的自适应算法为神经接口提供了更可靠的方法.
