加强肌电假肢控制:深度学习策略用于持续臂动力学估计和从EMG数据的跨主题模型可转移性

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
• 人工智能在医学中的应用

背景情况:

• 肌电假肢控制已经进步,但在有限的运动范围和同时控制方面面临挑战.
• 现有的方法往往难以精确,多维控制假肢.

研究的目的:

• 开发基于LSTM的深度学习方法,以持续精确地控制假肢参数.
• 为了提高肌电假肢的同时控制能力和运动范围.
• 调查控制模型在不同用户之间可转移性.

主要方法:

• 利用长短期记忆 (LSTM) 网络,是一种深度学习模型.
• 专注于连续控制肘角 (θ),手腕位置 (X,Y) 和速度 (v).
• 评估模型性能和跨学科的可转移性.

主要成果:

• 在控制肘角,手腕位置和速度方面实现了更高的精度.
• 证明同时成功连续控制多个假肢参数.
• 成功地将受过训练的模型转移到新的受试者身上,以有效的表现.

结论:

• 基于LSTM的深度学习方法显著改善了肌电假肢的控制.
• 该模型提供精确的同时控制,并显示出有希望的跨主题可转移性.
• 这项研究有助于开发更具功能和直观的假肢.