从不稳定接触到稳定控制：神经机器人学中高密度表面肌电的深度学习范式
机器人学
2023-09-21 v1 人机交互
摘要
过去十年中，在设计用于控制神经机器人系统（尤其是仿生肢体）的可穿戴神经接口方面取得了显著进展。这些接口通过解码从皮肤表面非侵入性捕获的信号来工作。便携式高密度表面 electromyography（HD-sEMG，表面肌电图）模块结合深度学习解码因在假肢系统与神经机器人的优异手势预测与肌电控制而受到关注。然而，像素形电极尺寸与不稳定的皮肤接触等因素使 HD-sEMG 易受像素电极丢失影响。源于低粘附性、出汗、毛发阻塞与皮肤拉伸的稀疏电极-皮肤断开，对这些作为神经机器人系统感知单元的模块的可靠性与可扩展性构成挑战。本文提出一种为 HD-sEMG 模块提供弹性的新型深度学习模型，可用于神经机器人的可穿戴接口。所提出的 3D Dilated Efficient CapsNet 模型在增广输入空间上训练，以计算方式“迫使”网络学习通道丢失变异，从而学习对通道丢失的鲁棒性。所提框架在进行的传感器丢失可靠性研究中保持了高性能。结果表明，常规模型性能随丢失显著退化，并使用所提架构与训练范式得以恢复。
引用
@article{arxiv.2309.11086,
title = {From Unstable Contacts to Stable Control: A Deep Learning Paradigm for HD-sEMG in Neurorobotics},
author = {Eion Tyacke and Kunal Gupta and Jay Patel and Raghav Katoch and S. Farokh Atashzar},
journal= {arXiv preprint arXiv:2309.11086},
year = {2023}
}