关联数据驱动的肌肉选择方法与步态预测协同作用
概括
优化辅助设备的电肌图 (EMG) 传感器位置是关键. 数据驱动的方法,如递归特征消除 (RFE),通过选择最佳肌肉群来提高步态预测的准确性,优于基于差异的方法.
科学领域:
- 生物医学工程 生物医学工程
- 康复机器人 康复机器人
- 人类运动科学科学 人类运动科学
背景情况:
- 优化对生理输入的传感器放置对于提高性能和降低辅助设备的成本/复杂性至关重要,例如下肢外骨架.
- 电肌图 (EMG) 信号可以跟踪肌肉激活以预测步行动力学,但最佳肌肉组选择电极放置和用户间的变化仍然没有解决.
- 准确的步态预测对于开发有效和个性化的辅助技术至关重要.
研究的目的:
- 确定EMG电极放置的最佳肌肉群,以最大限度地提高辅助设备中的步态预测性能.
- 为了比较数据驱动的道选择技术,特别是递归特征消除 (RFE) 和主要组件分析 (PCA),用于在步行过程中选择肌肉群.
- 通过使用多层感知器 (MLP) 模型,评估在预测膝盖屈曲角度方面选择肌肉子集的有效性.
主要方法:
- 应用贪搜索 (递归特征消除,RFE) 和基于差异的 (主要组件分析,PCA) 方法来从步行过程中的EMG信号中选择肌肉群.
- 使用多层感知器 (MLP) 模型将选定的肌肉活动映射到膝盖曲角度,在一步前的预测方案中.
- 使用验证数据的规范准确度评估预测性能,没有先前了解肌肉骨相互连接.
主要成果:
- 与PCA方法相比,RFE选择方法实现了较高的平均预测膝盖角度验证精度.
- 通过RFE识别的选定肌肉群因受试者而异,但始终涉及超过80%的提取的协同作用组.
- 动态搜索方法 (RFE) 在肌肉选择中被证明比用于步态预测的差异分析 (PCA) 更有效.
结论:
- 数据驱动的肌肉选择,特别是使用RFE等动态搜索,对于优化EMG传感器在辅助设备中的放置非常有价值.
- 结合协同的肌肉信息可以提高准确的步态预测模型的开发.
- 最大限度地提高选择的肌肉协同组的多样性,可以构成在人机交互中强大的肌肉选择框架的基础.
