实时细指运动解码用于用表面电肌图进行跨辐射截肢的人
Zihan Weng1, Yang Xiao2, Peiyang Li3
1Clinical Hospital of Chengdu Brain Science Institute, MOE Key Lab for Neuroinformation, University of Electronic Science and Technology of China, 611731, Chengdu, China; School of Life Science and Technology, Center for Information in Medicine, University of Electronic Science and Technology of China, 611731, Chengdu, China.
这项研究引入了一种新的CNN-Transformer模型,用于从表面肌电图 (sEMG) 信号中解码手指运动,从而改善跨辐射截肢者的假肢控制. 该系统使用先进的电极和几次射击学习来实现个性化,实时的假肢功能.
科学领域:
- 神经科学和生物医学工程
- 康复技术 康复技术 康复技术
- 机器学习用于医疗保健
背景情况:
- 人机界面 (HMI) 对于先进的康复技术至关重要.
- 肢体丧失的个体需要通过更好的辅助设备来提高生活质量.
- 从生物信号中解读精细运动技能仍然是一个重大挑战.
研究的目的:
- 开发一种新的CNN-变压器模型,用于从表面电肌图 (sEMG) 信号中解码连续细指动作.
- 加强对跨辐射截肢者的假肢设备的控制.
- 为了解决获得截肢者标记的sEMG数据的挑战.
主要方法:
- 集成卷积神经网络 (CNN) 和变压器架构用于sEMG信号处理.
- 设计了一种灵活和可拉伸的表皮阵列电极套 (EAES),用于高保真度信号采集.
- 利用基于计算机视觉 (CV) 的多式联络数据采集协议,并通过几次校准进行转移学习.
主要成果:
- 在各种评估场景 (会内,会间,主体间) 中,CNN-Transformer模型在解码手指运动方面表现出卓越的表现.
- 该系统显示了有希望的零射击和少数射击学习能力,用于个性化截肢者校准.
- 该EAES确保了舒适的磨损和强大的信号捕获,这对于长期使用至关重要.
结论:
- 拟议的HMI模型有效地解码了跨辐射截肢者的sEMG信号中的细指动作.
- 先进的硬件和机器学习技术的结合促进了直观的假肢控制.
- 这种方法具有实时,个性化的假肢和辅助技术控制的巨大潜力.
更多相关视频
09:14Surface Electromyographic Biofeedback as a Rehabilitation Tool for Patients with Global Brachial Plexus Injury Receiving Bionic Reconstruction
Published on: September 28, 2019
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013