语境知情增量学习提高了虚拟现实对象操纵任务中的肌电控制性能
概括
语境知情增量学习 (CIIL) 改善了人机界面的实时电肌图 (EMG) 手势识别. 这种适应性方法提高了面向目标的任务的可用性,尽管对准确性有很小的权衡.
科学领域:
- 生物医学工程 生物医学工程
- 人与计算机的交互
- 机器学习 机器学习
背景情况:
- 基于电肌图 (EMG) 的手势识别系统在实验室中表现出色,但由于实时控制期间的性能下降,在现实世界的应用中陷入困境.
- 这种绩效下降源于静态,离线训练场景中未被捕捉的目标导向行为.
研究的目的:
- 研究CIIL的有效性,用于实时调整EMG分类器在对象操纵任务中.
- 将CIIL的性能与在虚拟现实 (VR) 环境中的传统开放循环方法进行比较.
主要方法:
- 实现了CIIL,用于在VR对象操纵任务中使用上下文线索进行持续的分类器适应.
- 招募了9名没有上肢差异的参与者,以执行涉及物体运输的功能任务.
- 与基于CIIL的实时适应场景与没有适应的传统开放循环系统进行了比较.
主要成果:
- 基于CIIL的方法显著提高了任务成功率和效率.
- 使用CIIL方法,感知的工作量减少了7.1%.
- 观察到CIIL在线分类准确度略有下降5.8%,而实时性能有所改善.
结论:
- 使用CIIL的实时上下文化适应显示了提高基于EMG的系统的用户体验和可用性的巨大潜力.
- 这种适应性策略对于实用,以目标为导向的应用至关重要,为更广泛采用EMG接口铺平了道路.
- 该研究证明了动态适应在克服动态人机交互场景中的静态分类器局限性的价值.
