预训练,个性化和自我校准:所有基于神经网络的肌电解码器需要的神经网络

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.
• 人工智能的人工智能

背景情况:

• 肌电控制系统将电肌图信号 (EMG) 转化为假肢和机器人的运动意图.
• 高变性和EMG信号的时间变化挑战了系统的概括,个性化和适应.
• 深度神经网络需要大量的用户特定数据,由于性能下降,限制了现实世界的应用.

研究的目的:

• 开发一种适应性工作流程,用于神经网络在肌电控制方面的训练.
• 为了提高和保持电肌图信号的解码性能,在长时间内.
• 解决当前系统在处理EMG信号变化和用户特定模式方面的局限性.

主要方法:

• 提出了一个创新的三阶段神经网络培训计划.
• 实施了自适应工作流程,以逐步提高网络性能.
• 在2天的时间内对28名受试者进行了系统评估.

主要成果:

• 显著改善和维护跨主题和时间的网络性能.
• 在拟议的培训框架内验证了每个阶段的必要性和有效性.
• 展示了强大的和适应性的肌电控制系统的潜力.

结论:

• 拟议的三阶段培训方案有效地增强了自适应肌电控制.
• 适应性工作流对于保持性能至关重要,尽管EMG信号的变化.
• 这种方法为基于EMG的接口的个性化和长期使用提供了有希望的解决方案.