通过一次性隐藏表示对齐来实现插入和运行肌电控制

科学领域:

• 生物医学工程 生物医学工程
• 人与机器的互动 人与机器的互动
• 康复技术 康复技术 康复技术

背景情况:

• 肌电控制对于假肢,康复和混合现实至关重要,但由于肢体位置,电极移位和个体变化,在日常生活中面临可靠性挑战.
• 目前的解决方案往往缺乏通用性,主要在没有四肢差异的个体上得到验证,限制了临床应用.

研究的目的:

• 开发一个强大的肌电控制框架,克服诸如肢体位置,日常变化和个体差异等常见混因素.
• 以最小的校准数据实现可靠的肌电控制,促进用于增强人机交互的插即用方法.

主要方法:

• 提出了一次性学习框架,使用多集法典相关性分析 (MCCA).
• 专注于对准表面电肌图 (sEMG) 信号的潜在表示.
• 验证了框架在不同肢体位置,日期和个体之间概括的能力,包括那些有肢体差异的人.

主要成果:

• 基于MCCA的框架成功实现了可靠的肌电控制,尽管肢体位置,日期和个体的变化.
• 从没有肢体差异的个体向具有先天性肢体差异的个体表现出概括,表明对生理变异的强度.
• 展示了消除对广泛再培训和数据饥饿模型的需求的潜力.

结论:

• 建议的一次性学习框架在肌电控制可靠性和通用性方面取得了重大进展.
• 这种方法促进了plug-and-play的肌电控制,降低了校准负担,提高了假肢和康复应用中的用户体验.
• 该框架能够适应各种条件和个体,包括肢体不同的人,扩大了肌电技术的范围.