从使用高密度EMG和卷积神经网络的动态运动中学习手模型

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
• 机器学习 机器学习

背景情况:

• 表面电肌图 (sEMG) 测量肌肉电活动,反映运动指令.
• 将sEMG解码为预期的运动对于先进的假肢和人机接口至关重要.

研究的目的:

• 开发和验证一种深度学习方法,将前臂sEMG解码为详细的人类手动力学和动力学.
• 为了研究手动在sEMG信号中的神经编码.

主要方法:

• 在各种握手和数字运动期间,记录了22度自由度的手动力学/动力学.
• 利用前臂肌肉上的320个非侵入性sEMG传感器作为深度学习网络的输入.
• 分析了全带宽,单极,未过的EMG信号.

主要成果:

• 深度学习网络准确估计了手动力学和动力学,超过了现有的方法.
• 分析显示,网络将sEMG活动映射到个人数字水平的手部解剖学.
• 在全带宽EMG信号中发现了编码特定手部运动的独特的神经嵌入,在参与者之间进行了概括.

结论:

• 拟议的深度学习方法提供了一个强大的和直观的界面,用于将肌肉信号转化为手动.
• 这项技术有可能显著提升辅助手持设备的控制.