同时估计数字尖端力量和手部姿势在模拟的现实生活条件下,使用高密度电动图和深度学习

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:

• 持续估计手力和姿势对于先进的肌电控制至关重要.
• 现有的研究往往侧重于离散的手部运动,限制了实际的假肢应用.
• 日常活动需要同时估计握力类型和指尖力.

研究的目的:

• 调查连续估计手动自由度的可行性.
• 开发和验证用于同时估计指尖力和手握力类型的框架.
• 将深度学习技术应用于高密度表面电肌图 (HD-sEMG) 数据.

主要方法:

• 开发了一个覆盖和掌握的框架.
• 使用深度学习模型,特别是3维卷积神经网络 (3DCNN) 与长短期记忆 (LSTM) 网络相结合.
• 这些模型在HD-sEMG数据上进行了训练和测试,这些数据来自对象在施加不同力量时执行四种日常生活掌握类型.

主要成果:

• 组合的3DCNN-LSTM模型可靠地估计了指尖的绝对力,平均绝对误差 (MAE) 为0.46 ± 0.23,Pearson相关系数 (PCC) 为0.90 ± 0.03%.
• 手的姿势分类实现了0.04±0.01的MAE和0.97±0.02%的PCC.
• 同时估计抓取类型和力量的成功演示.

结论:

• 应用于HD-sEMG数据的深度学习模型可以有效地和持续地估计指尖的绝对力量和手的姿势.
• 这种方法在增强假肢功能方面显著有前途.
• 这些发现支持将高级机器学习集成到复杂的肌电控制系统中.