开发RPC-Net：利用高密度电生理信号与机器学习提升手部位置估计
信号处理
2025-05-21 v1
摘要
目标：本研究旨在开发和评估RPC-Net（Recursive Prosthetic Control Network，递归体素控制网络）的性能，这是一种新方法，利用简单神经网络架构将电生理活动转换为手部位置，以实现高精度和高计算效率。方法：RPC-Net采用回归方法将前臂电生理信号转换为手部运动学。我们测试了该算法适应不同条件的能力，并与学术文献中的解决方案进行了比较。结果：RPC-Net在预测手部位置方面展现出高水平准确性，凭借相同计算成本的其他解决方案表现更佳。包括前一位置数据在内，始终能在不同受试者和条件下提升结果。RPC-Net对减少电生理电极数量和缩短输入信号的容忍度表明其在进一步降低计算成本方面具有潜力。结论：结果表明，RPC-Net能够准确地将前臂电生理活动转换为手部位置，为临床环境提供了一种实用且可适应的工具。意义：RPC-Net的研发标志着一种重大进展。在临床环境中，其应用可能使假肢设备的控制方式更加自然，从而提升肢体丧失者的生活质量。
引用
@article{arxiv.2505.14663,
title = {Developing RPC-Net: Leveraging High-Density Electromyography and Machine Learning for Improved Hand Position Estimation},
author = {Giovanni Rolandino and Marco Gagliardi and Taian Martins and Giacinto Luigi Cerone and Brian Andrews and James J. FitzGerald},
journal= {arXiv preprint arXiv:2505.14663},
year = {2025}
}
备注
10 pages, 10 figures