FedEMG:通过联合原型学习实现基于EMG的上肢康复的泛化,个性化和资源效率

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 康复技术 康复技术 康复技术

背景情况:

• 上肢截肢显著影响生活质量.
• 基于电肌图 (EMG) 的假肢控制的深度学习在用户概括,个性化和计算效率方面面临挑战.
• 现有的联合学习 (FL) 方法难以平衡全球知识与用户特定需求.

研究的目的:

• 引入联邦电肌学 (FedEMG),这是一个新的联邦原型学习 (FPL) 框架,用于实时基于EMG的手势识别在假肢控制中.
• 在假肢控制系统中解决个性化和泛化之间的权衡问题.
• 在资源有限的设备上实现高效的实时假肢控制.

主要方法:

• 开发了FedEMG,一个联合原型学习 (FPL) 框架,利用基于原型的方法进行知识传输.
• 实施了自适应个性化机制,以平衡全球和特定用户的知识.
• 集成了轻量级的手势探测器和高效的神经网络架构,以实现实时性能.

主要成果:

• 在各种非IID数据集中,FedEMG在人体内和人体间的手势识别中表现出卓越的准确性.
• 该框架实现了高度个性化和通用化,而不会降低性能.
• 评估证实了高效的资源利用,使实时应用成为可能.

结论:

• 在上肢假肢中,FedEMG提供了基于EMG的实时手势识别的有效解决方案.
• 拟议的框架通过提供改进和可访问的假肢控制来推进上肢康复.
• 在假肢应用中,FedEMG成功地平衡了个性化,泛化和计算效率.