UaBMA-OLPP:一种基于sEMG的手动和物体掌握识别的新多元灵感技术

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 康复技术 康复技术 康复技术

背景情况:

• 全球因中风和神经肌肉疾病导致手部损伤的发病率不断上升,需要先进的假肢解决方案.
• 表面电肌图 (sEMG) 对于假肢手掌控和人机交互 (HRI) 至关重要,但目前的传感器在捕捉全面肌肉活动方面面临挑战,并且容易受到噪音的影响.
• 传统的维度缩小方法在复杂的sEMG数据中经常失败,原因是忽视了内在的空间结构.

研究的目的:

• 通过解决经典维度减小技术的局限性,增强基于sEMG的假肢手掌控的特征提取.
• 调查局部多元学习的有效性,特别是直角局部保存投影 (OLPP),用于高维sEMG数据.
• 开发一种新的方法,整合各种相似度和贝叶斯模型平均值,以提高投影的可差别性.

主要方法:

• 将复杂的欧勒空间和格拉斯曼纳体的新型相似度计纳入投影内核,以克服欧几里德相似度对噪声和异常值的敏感性.
• 开发和应用一个不确定性意识的贝叶斯模型平均化 (UaBMA) 方法来整合来自各种多元体的相似度权重.
• 使用实验室获得和基准NinaPro数据集进行广泛的实验验证.

主要成果:

• 与sEMG数据的特征提取现有方法相比,提出的技术显示出更高的性能.
• 整合基于里曼纳数组的相似度的整合显著提高了预测的稳定性和可辨别性.
• 乌阿巴马方法有效地结合了来自不同相似度指标的信息,从而提高了假肢手的控制能力.

结论:

• 这种新的方法显著提高了基于sEMG的假肢手控制系统的性能.
• 这项研究提供了一种更强大,更准确的方法来从杂和高维的sEMG数据中提取特征.
• 这些发现对推进辅助机器人技术和改善手部残疾人的生活质量具有重要意义.