在游戏环境中通过强化学习微调肌电控制
人机交互
2024-11-21 v1
摘要
目的：提高解码运动意图的肌电控制器的可靠性是仿生假肢领域的一项迫切挑战。目前最先进的研究主要集中在监督学习（SL）技术来解决这一问题。然而，获取能够准确代表日常使用中肌肉活动的高质量标记数据仍然困难。我们研究了强化学习（RL）的潜力，通过引入基于使用的数据来进一步改进人类运动意图的解码。方法：我们方法的起点是一个 SL 控制策略，该策略在静态记录的肌电（EMG）真值数据上进行了预训练。然后，我们应用 RL，利用在与为此工作开发的游戏环境交互期间获得的动态 EMG 数据，对预训练的分类器进行微调。我们进行了实时实验以评估我们的方法，并在人在环性能方面取得了显著改善。结果：该方法有效预测了同时发生的手指运动，使游戏过程中的解码精度提高了一倍，并在单独的运动测试中提高了 39%。结论：通过采用 RL 并在微调期间引入基于使用的 EMG 数据，我们的方法在精度和鲁棒性上取得了显著改善。意义：这些结果展示了 RL 在增强肌电控制器可靠性方面的潜力，这对于先进的仿生肢体尤为重要。视觉演示请参见我们的项目页面：https://sites.google.com/view/bionic-limb-rl
引用
@article{arxiv.2411.13327,
title = {Fine-tuning Myoelectric Control through Reinforcement Learning in a Game Environment},
author = {Kilian Freitag and Yiannis Karayiannidis and Jan Zbinden and Rita Laezza},
journal= {arXiv preprint arXiv:2411.13327},
year = {2024}
}