一个强大的神经假肢控制策略,以应对手臂位置变化和疲劳,基于多传感器融合

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
• 人与计算机的交互

背景情况:

• 使用表面电动图 (sEMG) 和A模式超声波 (美国) 的多模传感器融合显示了对假肢手掌控的前景.
• 由于实验室的限制和长时间的手势执行,现有的方法缺乏实际应用,导致肌肉疲劳和错误.

研究的目的:

• 开发和验证一种新的解码策略,用于在线假肢手控制,使用合的sEMG,A模式US和惯性运动单元 (IMU) 传感器.
• 通过解决固定手臂位置和不断肌肉收缩的局限性,提高假肢手掌控的强度和实用性.

主要方法:

• 一个四个阶段的解码过程:手臂位置选择,sEMG值,模式识别和一个新的后处理策略.
• 传感器融合了sEMG,A模式US和IMU数据,用于实时手势识别.
• 实施后处理策略,在休息期间保持短暂的手势,减少疲劳和错误分类.

主要成果:

• 离线分类准确度达到96.02%与融合传感器数据.
• 在线分类准确性 (ONCA) 从78.97%提高到92.51%的后处理策略跨不同的手臂位置.
• 降低了错误分类风险,并在模拟和两名截肢者中改善了假肢手掌控性能.

结论:

• 拟议的后处理策略通过减轻持续的肌肉收缩,显著提高了假肢手的控制稳定性.
• 新的在线解码策略展示了定制假肢的显著性能,为截肢者康复中的多模式传感器融合提供了有希望的未来.