在肌肉疲劳期间通过域调整高密度EMG握力估计

科学领域:

• 生物医学工程 生物医学工程
• 康复技术 康复技术 康复技术
• 医疗保健中的机器学习

背景情况:

• 肌电接口为假肢和外骨提供直观的控制.
• 肌肉疲劳会改变电动图 (EMG) 信号的分布,挑战用户准确的意图解码.
• 疲劳期间不一致的EMG信号导致肌电器件控制的性能降低.

研究的目的:

• 开发一种新的域适应方法,以提高肌肉疲劳期间的抓地力估计准确度.
• 在疲劳条件下提高肌电接口的可靠性和自然控制.
• 为了减少在长时间使用肌电器件时需要重新校准的需要.

主要方法:

• 提出了一个域调整方法,集成对抗训练和端到端深度学习模型.
• 使用对抗目标,在非疲劳和疲劳状态之间对齐的EMG特征分布.
• 将拟议的模型与基线模型进行比较,该模型使用了八名从事抓捕任务的受试者的数据.

主要成果:

• 与基线模型相比,拟议的方法在肌肉疲劳期间实现了51.9%较低的根平均平方误差 (RMSE).
• 证明有效地利用标记的非疲劳数据,在疲劳领域进行准确的预测.
• 消除了暂停收集疲劳领域的力标签数据的需要,简化了校准.

结论:

• 拟议的域适应方法显著提高了肌肉疲劳期间握力估计的准确性.
• 这种方法提高了肌电接口的可用性,用于扩展物体检索和抓取任务.
• 该研究有助于通过更强大的假肢和外骨控制来提高用户的独立性和生活质量.