在动态条件下的自适应EMG分解基于可调节超参数的在线学习指标
Irene Mendez Guerra1, Deren Y Barsakcioglu1, Dario Farina1
1Department of Bioengineering, Imperial College London, London, United Kingdom.
Journal of neural engineering
|July 3, 2024
概括
本研究介绍了一种适应性电肌图 (EMG) 分解算法,用于在动态收缩期间准确解码运动神经元 (MN) 放电. 这种新方法提高了非静止条件下的稳定性和性能.
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:
- 神经解码器需要对非静止条件的稳定性,以获得持续的准确性.
- 动态肌肉收缩对传统的静止解码器来说是一个巨大的挑战.
研究的目的:
- 开发一种新的自适应性电肌图 (EMG) 分解算法,用于实时解码运动神经元 (MN) 放电.
- 为了应对非静止状态所带来的挑战,特别是在动态肌肉收缩期间.
主要方法:
- 使用盲源分离方法,增强Kullback-Leibler分歧和kurtosis用于在线学习.
- 开发了调整适应超参数和弥补混合矩阵非静态性的理论框架.
- 实现实时适应,计算时间大约为每100 ms批次22 ms.
主要成果:
- 超参数捕获了解剖学变异,并在各个科目中进行了概括.
- 与非适应性方法相比,适应性算法在80°手腕运动范围内的分解性能指标显著改善.
- 对于模拟和实验数据,达到了>=90%的一致率,灵敏度和精度在>=80%的情况下.
结论:
- 建议的在线学习指标和超参数优化适用于在动态条件下解码MN放电.
- 这项研究验证了在动态任务中EMG分解的实验方法.
