用sEMG驱动的手动动力学估计与在平行超低功率微控制器上的增量在线学习

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 表面电肌图 (sEMG) 是非侵入性人机接口的一个关键技术.
• 在sEMG信号中固有的变性,特别是跨会话,阻碍了机器学习模型的泛化.
• 进步正在将sEMG控制从分类静态位置转变为回归动态手动运动,以获得更多的流体控制.

研究的目的:

• 开发一个增量在线培训策略,用于基于sEMG的同时多指力估计.
• 创建一个紧的时间卷积网络 (TCN),适合嵌入式,设备上的学习.
• 在现实场景中验证方法的性能和效率.

主要方法:

• 通过使用一个小型时间卷积网络 (TCN) 实施了增量在线培训策略.
• 该方法在HYSER数据集上进行了验证,用于跨日性能评估.
• 该方法被部署在一个超低功耗的GAP9微控制器上,以评估延迟和能耗.

主要成果:

• 增量在线训练在具有挑战性的即兴力序数据集上实现了9.58±3.89%的最大自愿收缩的跨日平均绝对误差 (MAE).
• 性能与非嵌入式,以准确度为导向的离线培训方法相当.
• 在GAP9微控制器上部署导致1.49ms的低延迟和每更新步骤的40.4J的能源消耗.

结论:

• 拟议的增量在线培训策略能够准确,实时,在设备上估计来自sEMG信号的多指力.
• 该解决方案解决了sEMG可变性的局限性,并满足嵌入式系统的要求.
• 这种方法为各种应用中的人机接口提供了多功能和流动的控制.