在虚拟现实中进行双月活动期间,机器学习用于手工构成分类,从相位和强度EMG信号进行分类
Cédric Simar1, Martin Colot1, Ana-Maria Cebolla2
1Machine Learning Group, Computer Science Department, Université Libre de Bruxelles, Brussels, Belgium.
Frontiers in neuroscience
|May 13, 2024
概括
这项研究引入了一种新的虚拟现实系统,用于记录EMG信号和手部运动,改善肌电假肢控制. 整合生理学知识可以增强机器学习模型,以实现更好的手势识别和假肢功能.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 机器学习和生物电信号采集方面的进步正在改善用于上肢损失的肌电假肢.
- 目前用于解码电肌图 (EMG) 信号的方法在准确解释手势方面面临挑战.
研究的目的:
- 引入和验证一种新的实验范式,用于使用虚拟现实进行同步EMG记录和手姿势估计.
- 使用EMG信号来比较不同的手势分类管道.
- 研究将神经生理学知识整合到机器学习模型中的影响,以加强肌电假肢控制.
主要方法:
- 开发了一款具有手跟踪的虚拟现实耳机,用于同步EMG和手姿势数据采集.
- 在EMG数据上比较分类管道,包括标准信号处理,卷积神经网络和里曼几何.
- 集成的神经生理学"移动命令"信息,以改善EMG信号组件的分离.
主要成果:
- 在手势分类的原始或xDAWN过的EMG信号上证明了里曼几何学的有效性.
- 通过将生理学知识 ("移动命令") 整合到机器学习模型中,在持续的姿势识别方面显著改善.
- 验证了用于EMG和手姿势数据采集的新型VR范式.
结论:
- 拟议的VR范式有效地捕获同步的EMG和手姿势数据.
- 里曼几何学为基于EMG的手势分类提供了一个强大的方法.
- 将神经生理学的见解集成到机器学习模型中,可以显著提高肌电假肢的控制,为更自然的手势解码铺平道路.
