将运动单元活动与深度学习集成为实时,同时和比例的手腕角度和掌握力估计
IEEE transactions on bio-medical engineering
|May 30, 2025
概括
这项研究引入了一个新的深度学习框架,使用运动单元活动来改善肌电假肢的实时控制,从而能够精确地估计手腕角度和抓取力,以提高假肢功能.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 肌电假肢的目的是恢复截肢者的独立性.
- 当前的神经接口在实时中与动力学和动力学的同时,比例解码作斗争.
- 对神经命令的直接解释仍然是对假肢控制的挑战.
研究的目的:
- 提出和验证一个新的框架,将运动单元活动与深度学习整合起来.
- 为了实现手腕角度和抓取力的实时,同时和比例估计.
- 为了证明肌电假肢的改进控制能力.
主要方法:
- 利用实时高密度表面电肌图分解来识别运动神经元放电.
- 计算的神经驱动器并将其与模块化长短期记忆 (LSTM) 神经网络集成.
- 对十名受试者进行了实验,涉及各种手腕运动和握力.
主要成果:
- 拟议的框架显著超过了五种基线方法.
- 获得了13.6%的手腕角度和11.1%的握力正常化平方根平均误差 (nRMSE).
- 获得的R平方值为73.2%的手腕角度和76.8%的握力,表明强的性能.
结论:
- 研究结果表明,将神经驱动洞察与深度学习相结合,可以提高估计性能.
- 该框架有可能提高假肢使用者的独立性和生活质量.
- 对于假肢使用者来说,可以实现更高的精度和对动力学和动力学的控制.
