姿势不变的肌电控制与自我校准的随机森林

科学领域:

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

背景情况:

• 肌电控制系统使用电肌图学 (EMG) 信号进行人机接口,从而能够直观地控制假肢和元宇宙交互.
• 由于手臂位置的EMG信号特征的变化对可靠的肌电控制构成重大挑战.
• 开发姿势不变模型对于在实际应用中广泛采用肌电控制至关重要.

研究的目的:

• 提出一种新的自我校准随机森林 (RF) 模型用于肌电控制,该模型不变于臂位置.
• 为了使新用户能够进行一次性校准和无监督的自主自我校准,以适应变化的手臂位置.

主要方法:

• 开发了一个自我校准的随机森林 (RF) 模型.
• 该模型在来自多个用户的数据上进行了预训练.
• 该模型旨在为新用户进行一次性校准和自主自我校准,以适应不同的手臂位置.

主要成果:

• 拟议的射频模型在不同的手臂位置上表现出高度的概括性.
• 86名参与者的实验 (66人进行预训练,20人进行实时评估) 验证了该模型的性能.
• 该模型在实时评估中有效地适应了不同的手臂位置.

结论:

• 开发的自校准射频模型为姿势不变的肌电控制提供了一个简单,可解释,高效和可并行解决方案.
• 这种方法显著促进了肌电控制技术的实际转化为现实世界的使用.
• 该模型适应手臂位置变化的能力提高了肌电接口的稳定性和可用性.