通过基于注意力的新型时空特征提取来实现跨体假肢控制的肌电和惯性数据融合:一个离线分析

科学领域:

• 生物医学工程 生物医学工程
• 康复机器人 康复机器人
• 人与计算机的交互

背景情况:

• 经过横臂截肢的人需要对全臂假肢进行直观的控制.
• 现有的控制策略往往缺乏可靠性和直观的激活.
• 在假肢控制中对高级特征提取的需求尚未得到充分研究.

研究的目的:

• 提出和评估一种新的特征提取方案,将加速度计 (ACC) 和电肌图 (EMG) 数据融合在一起.
• 为了改善肩膀运动识别对于 transhumeral 截肢的个人.
• 评估ACC数据融合对假肢控制模式识别模型的影响.

主要方法:

• 一个新的时空曲架构被用于EMG和ACC数据的特征级融合.
• 数据从1000赫兹的完整四肢和跨度截肢的参与者收集的数据.
• 在培训和测试模式识别模型 (LDA,ELM,kNN) 中使用的Leave-one-trial-out (LOTO) 交叉验证.

主要成果:

• 融合ACC数据对150毫秒以下的窗口长度的识别准确性产生了积极影响.
• 线性差异分析 (LDA) 和极端学习机器 (ELM) 分类器在两个组中都实现了>90%的准确性.
• k-Nearest Neighbors (kNN) 和自主学习多模型分类器显示<87%的平均准确度,表明模型特定的性能.

结论:

• 拟议的特征提取方案有效地融合了ACC和EMG数据,以改善肩部运动识别.
• 这些发现支持浅层模式识别模型在现实世界假肢控制场景中的适用性.
• 这项研究为未来的实时验证和更大的人口研究提供了基础.