基于高密度 sEMG 与增量学习的长期上肢义肢 myocontrol
机器人学
2024-12-24 v1 机器学习
摘要
非侵入式人机界面如表面电生理信号（sEMG）长期以来一直用于控制机器人义肢。然而，经典控制器受限于少量自由度（DoF）。更近期，机器学习方法被提出从用户数据中学习个人化控制器。尽管前景光明，但它们常常在长期使用期间受到分布迁移的困扰，需要昂贵的模型重新训练。此外，大多数义肢 sEMG 传感器的空间密度较低，这限制了精度和可控制运动数量。本文通过引入新型集成高密度 sEMG（HD-sEMG）设置和增量学习方法的新型肌电义肢系统，来解决上述两个挑战，以准确控制 Hannes 义肢的 7 种运动。首先，我们设计了一个全新的紧凑型 HD-sEMG 界面，配备 64 个干电极布置在前臂上。然后，我们引入一种高效的增量学习系统，使模型能够在数据流上进行适应。我们对多种学习算法进行了彻底分析，涵盖 7 名受试者，其中包括 1 名肢体缺失者，以及覆盖数月时间跨度的 6 次不同日期的会话。所收集数据的规模和时间跨度代表了研究长期 myocontrol 性能的重要贡献。因此，我们发布了 DELTA 数据集及其对应的实验代码。
关键词
引用
@article{arxiv.2412.16271,
title = {Long-Term Upper-Limb Prosthesis Myocontrol via High-Density sEMG and Incremental Learning},
author = {Dario Di Domenico and Nicolò Boccardo and Andrea Marinelli and Michele Canepa and Emanuele Gruppioni and Matteo Laffranchi and Raffaello Camoriano},
journal= {arXiv preprint arXiv:2412.16271},
year = {2024}
}
备注
Pre-print version of published IEEE Robotics and Automation Letters paper (2024). 8 pages, 7 figures