自主监督的表示学习与持续训练数据改善了肌电控制的感觉和性能
Shriram Tallam Puranam Raghu1, Dawn T MacIsaac1, Erik J Scheme1
1Department of Electrical and Computer Engineering and the Institute of Biomedical Engineering, University of New Brunswick, Fredericton, E3B 5A3, NB, Canada.
Computers in biology and medicine
|September 8, 2025
概括
使用连续动态数据训练肌电控制可显著提高假肢设备的性能. 自主监督学习进一步提高了可用性,为用户提供了更流,更直观的控制.
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
- 医疗保健中的机器学习
背景情况:
- 传统的肌电控制训练使用静态或斜坡收缩,这并不反映现实世界的动态运动.
- 这种限制影响了基于模式识别的假肢控制的自然性和有效性.
- 开发动态训练方法对于提高假肢功能至关重要.
研究的目的:
- 研究培训肌电控制分类器使用连续动态表面电肌学 (sEMG) 数据的好处.
- 在不同的培训条件下比较传统 (LDA) 和深度学习 (LSTM) 分类器在不同培训条件下的性能.
- 评估自主监督学习 (VICReg) 预训对LSTM分类器性能的影响.
主要方法:
- 采用线性差异分析 (LDA) 和长短期记忆 (LSTM) 分类器.
- 训练有素的分类器使用静态坡道数据,连续动态移动数据和自主监督的预先训练有素的LSTM (VICReg).
- 评估分类器性能,使用Fitts'法启发的目标获取任务与20名参与者.
主要成果:
- 用连续动态数据训练的LSTM显著优于传统的LDA分类器.
- 自主监督的VICReg预培训进一步提高了LSTM在线性能和用户体验.
- 持续的动态训练比静态的坡道数据更有效地捕捉了运动类之间的过渡.
结论:
- 连续动态sEMG数据和时间模型 (LSTMs) 在训练肌电控制方面优越.
- 自主监督学习为增强假肢控制系统提供了一个有希望的途径.
- 这些发现支持通过先进的培训方法开发更直观,更易于使用的假肢设备.
关键词:
深度时间学习 (deep temporal learning) 是一种深度时间学习.根据ISO 9241-9标准,适合法律.我的电动控制器是我的电动控制器自主监督学习学习表面电肌图形识别模式的识别.过渡 过渡 过渡 过渡维克雷格 (VICReg) 是一个维克雷格.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
12.1K
06:11Brain-Computer Interface-controlled Upper Limb Robotic System for Enhancing Daily Activities in Stroke Patients
Published on: April 18, 2025
1.6K
