解决基于EMG的手势识别的多天通用性问题

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 康复机器人 康复机器人

背景情况:

• 肌电假肢依赖于电肌图 (EMG) 信号进行控制.
• 日间性能下降是由于肌肉疲劳和电极转移而面临的主要挑战.
• 当前的深度学习方法通常需要每天进行广泛的再培训,这限制了实际应用.

研究的目的:

• 为肌电假肢开发一种新的转移学习框架.
• 为了解决日间显著性能下降的问题.
• 为了减少每天广泛的再培训的需要,并提高长期稳定性.

主要方法:

• 使用预训练的卷积神经网络 (CNN) 进行强大的特征提取.
• 采用精细调节的线性分辨器,以实现高效的日常适应.
• 对Kanoga数据集的框架进行了评估.

主要成果:

• 与最先进的方法相比,证明了优越的日间通用性.
• 在假肢控制中实现了长期稳定性的增强.
• 适应所需的每日校准数据要少得多.

结论:

• 拟议的转移学习框架有效地减轻了肌电假肢的日间性能恶化.
• 这种方法为现实世界的应用提供了更实用和用户友好的解决方案.
• 该方法在提高先进假肢设备的可靠性和可用性方面显著有前途.