Self-Supervised Representation Learning with Augmentations of Continuous Training Data Improves the Feel and Performance of Myoelectric Control
信号处理
2024-09-25 v1
摘要
基于模式识别的人体电肌电控制传统上使用静止或斜坡收缩进行训练，但这未能捕捉真实世界运动的动态本质。本研究探讨了使用包含 various movement classes 之间转换的连续动态数据的分类器训练所带来的好处。我们采用常规 (LDA) 和深度学习 (LSTM) 分类器，比较在斜坡数据、连续动态数据和使用自监督学习技术 (VICReg) 数据增强的连续动态数据训练的分类器性能。在名参与者的在线 Fitts' Law 测试中评估了每个分类器的可用性和效果。结果表明，尤其是使用连续动态数据训练的 LSTM，显著优于传统方法。此外，VICReg预训练带来了在在线性能和用户体验方面的额外改进。定性反馈突显了平滑、无抖动控制以及在 various movement classes 之间的一致性能的重要性。这些发现凸显了连续动态数据和自监督学习在推动基于 sEMG-PR 的 myoelectric control 中发展潜力，为开发更直观和用户友好的假肢设备铺平了道路。
引用
@article{arxiv.2409.16015,
title = {Self-Supervised Representation Learning with Augmentations of Continuous Training Data Improves the Feel and Performance of Myoelectric Control},
author = {Shriram Tallam Puranam Raghu and Dawn MacIsaac and Erik Scheme},
journal= {arXiv preprint arXiv:2409.16015},
year = {2024}
}
备注
Submitted to IEEE Transactions on Neural Systems and Rehabilitation Engineering