在线和跨用户手指运动模式识别通过解码神经驱动器信息从表面电肌图.

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:

• 跨用户的变化对肌电控制系统的性能和稳定性构成重大挑战.
• 现有的方法往往难以适应新用户,导致精度下降.

研究的目的:

• 开发一种新且强大的方法,用于识别手指运动的肌电模式.
• 为了解决肌电控制系统中跨用户变化的问题.

主要方法:

• 使用神经解码方法与无监督域适应 (UDA) 学习相结合.
• 通过双阶段在线表面电肌图 (SEMG) 分解,提取了单个运动单元 (MU) 活动的微观特征.
• 针对新用户,进行了深度学习模型的适应性更新,使用模糊加权策略做出决策.

主要成果:

• 提出的方法在跨用户测试场景下,在识别七个手指运动模式方面取得了很高的准确性.
• 识别准确度明显超过了依赖全球SEMG特征的传统方法.
• 该方法在处理SEMG信号中的个体差异方面表现出了稳健性.

结论:

• 这项研究提出了一种新的,强大的肌电模式识别方法,用于细粒度运动单元 (MU) 层面.
• 这种方法为肌电控制系统提供了更好的性能,特别是在跨用户场景中.
• 这种方法在神经接口和假肢控制方面具有广泛的应用.