使用增量学习方法的基于时域的上肢假肢控制

上肢对于人类的各种活动至关重要。上肢的完全或部分丧失将对截肢者的日常活动产生重大影响。肌电图（EMG）携带着人体体格的重要信息，有助于解码人类手臂的各种功能。基于EMG信号的仿生学和假肢在过去十年中获得了巨大的研究关注。由于使用离线训练且无法补偿电极位置偏移和手臂位置变化，传统的基于EMG模式识别（EMG-PR）的假肢难以提供准确的性能。本工作提出了一种基于在线训练和增量学习的上肢假肢应用系统。该系统由作为模拟前端（AFE）的ADS1298和一个用于数字信号处理（DSP）的32位ARM Cortex-M4处理器组成。该系统已在健全受试者和截肢受试者上进行了测试。我们实现并利用了基于时间导数矩的特征进行有效的模式分类。最初，系统使用在线训练过程对四个类别进行了训练，之后根据用户需求将类别数量递增至十一个，并评估了系统性能。当考虑四个动作时，该系统对健全受试者和截肢受试者的完成率均为100%。当类别数量增加到十一个时，系统对健全受试者和截肢受试者分别展示了94.33%和92%的完成率。我们还对所有受试者进行了运动效能测试。健全受试者和截肢受试者分别观察到了91.23%和88.64%的最高效能率。