在游戏环境中通过强化学习微调肌电控制

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 机器人技术 机器人技术 机器人技术

背景情况:

• 生物假肢的肌电控制器在准确解码运动意图方面面临着挑战.
• 目前的监督学习 (SL) 方法需要高质量的标记肌肉活动数据,这在现实世界中使用时很难获得.
• 提高这些控制器的可靠性对于先进的假肢功能至关重要.

研究的目的:

• 调查强化学习 (RL) 的潜力,以增强肌电控制器中的运动意图解码.
• 整合基于使用的电肌图 (EMG) 数据,以提高控制器性能.
• 克服传统的SL方法在获取代表性培训数据方面的局限性.

主要方法:

• 使用静态EMG数据进行预先训练的SL控制策略,并通过RL进行微调.
• 动态EMG数据是在定制设计的游戏环境中的交互过程中收集的.
• 实时实验进行,以评估RL增强方法.

主要成果:

• 基于RL的方法证明了有效预测同时的手指运动.
• 在游戏过程中解码精度增加了两倍.
• 在单独的运动测试中,观察到精度提高了39%.

结论:

• 强化学习 (RL) 显著提高了肌电控制器的准确性和稳定性.
• 在RL微调过程中将基于使用的EMG数据纳入,是提高性能的关键.
• 这种方法对提高生物四肢可靠性有很大的希望.