在轮椅推进中使用深度非政策的动态神经模糊系统来提取生理上受约束的神经肌肉协同效应

科学领域:

• 生物力学 生物力学
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 手动轮椅推进 (MWP) 涉及重复的上肢运动,增加受伤的风险.
• 目前在MWP中分析肌肉协调 (协同提取) 的方法受到活动的非线性动态的限制,并且经常忽视生物力学约束.
• 了解肌肉内协调对于开发有效的干预和辅助技术至关重要.

研究的目的:

• 引入和评估基于深度强化学习的新型动态神经模糊 (DRL-DNF) 系统,用于实时电肌图 (EMG) 模式建模和MWP中的协同结构改进.
• 为了比较DRL-DNF系统的性能与传统的协同提取方法 (例如,独立组件分析,非负矩阵分解,自动编码器).
• 评估DRL-DNF系统提取的协同作用的生理相关性和稳定性,考虑到生物力学约束.

主要方法:

• 开发一个DRL-DNF系统,集成EMG信号,关节动力学和24名手动轮椅使用者的手边力数据.
• 纳入肌肉骨模型,以考虑协同提取期间的关节动力学和外部力量.
• 统计分析,包括差异占比 (VAF) 计算,统计参数映射和不同方法之间的协同系数比较.

主要成果:

• DRL-DNF系统表现出卓越的性能,实现了高VAF (94.12%无噪声,90.1%噪声存在) 的三种协同作用,表明对噪声的稳定性.
• 在不同方法中观察到协同激活和系数的显著差异,DLR-DNF提供了肌肉贡献的平衡表现.
• 在推进/恢复过程中,ICA显示过低激活,在晚期恢复过程中显示过高激活,DRL-DNF确定了生理相关的协同作用.

结论:

• DRL-DNF系统有效地模拟复杂的EMG模式,并在MWP期间提取生理上有意义的肌肉协同作用.
• 与传统方法相比,这种方法为肌肉内协调策略提供了更深入的见解.
• DRL-DNF系统显示出在辅助设备和康复策略的基于协同作用的控制中应用的巨大潜力.