简化预测预期的抓取类型:在截肢和没有截肢的个体中,加速计的性能与组合EMG-加速计相似.

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
• 人与计算机的交互

背景情况:

• 活跃上肢假肢由于体积庞大的设计和复杂的操作而面临采用挑战.
• 使用最小的传感器进行准确的手势预测对于开发用户友好的假肢设备至关重要.
• 像电肌图 (EMG) 和加速度计 (ACC) 这样的可穿戴传感器为假肢控制提供了有价值的数据.

研究的目的:

• 为了确定EMG或ACC传感器是否为预测手握提供更有价值的信息.
• 识别最有助于掌握预测准确性的关键信号特征.
• 为了比较截肢和没有截肢的个体之间的传感器性能.

主要方法:

• 使用了一个包含EMG和ACC信号的开源数据集.
• 训练有素的专题线性差异分析 (LDA) 和K-近邻 (KNN) 分类器.
• 通过四倍交叉验证,预测了10种不同的握力类型,在13名截肢患者和28名健壮患者中进行了交叉验证.

主要成果:

• 使用单独ACC特征的LDA分类器达到84.7%的准确性,与ACC和EMG (88.3%) 结合相比,但明显高于单独EMG (58.1%).
• 截肢的个体只用三个特征 (两个来自ACC) 实现了>80%的准确性.
• 有能力的参与者需要九个特征,更多地依赖EMG信号.

结论:

• 加速度计 (ACC) 传感器提供了足够的数据,可以在截肢患者中进行可靠的掌握分类.
• 基于ACC的掌握预测可以促进开发更简单,更容易获得的假肢设计.
• 未来的研究应该整合物体识别和握力控制,以实现先进的假肢功能.