通过自校准随机森林常见模型的自校准的插电式肌电控制

科学领域:

• 生物医学工程 生物医学工程
• 康复工程 康复工程 康复工程
• 机器学习 机器学习

背景情况:

• 电肌图 (EMG) 信号的变化随着时间的推移降低了肌电控制性能.
• 传统模型需要经常重新校准,限制了长期的可用性.
• 电磁波信号的特征可以迅速变化,需要适应性解决方案.

研究的目的:

• 开发一种用于肌电控制的自动和无监督的自我校准模型.
• 为了解决长期使用的基于EMG的控制系统的性能退化.
• 创建一个强大的和适应性的肌电控制系统,需要最小的校准.

主要方法:

• 开发了一个计算效率高的随机森林 (RF) 模型.
• 为新用户实施一次性校准.
• 整合了一个无监督的自我校准机制,使用数据缓冲区和伪标签进行持续的模型调整.
• 通过广泛的线下和实时实验验验证该模型,包括长期 (5周) 和闭环研究,共66名参与者.

主要成果:

• 自校准的射频模型在长期肌电控制中表现得更好.
• 在闭环实验中观察到双向的用户模型共同适应.
• 用户适应了动态模型,减少了手势的肌肉努力 (EMG振幅).
• 该模型显示,在使用时间长的过程中,性能逐渐提高.

结论:

• 拟议的基于射频的方法为肌电控制提供了一个可解释,计算效率高,数据最小的解决方案.
• 自校准机制提高了基于EMG的控制系统的稳定性和可靠性.
• 这种方法为改善肌电假肢和人机接口的长期性能提供了可行的替代方案.