通过高密度肌电与深度学习同时控制人手关节位置和握力
人机交互
2024-11-01 v1
摘要
在肌电控制中，由于人手的灵巧性，同时控制多个自由度可能具有挑战性。许多研究关注手部功能，然而它们只关注少数几个自由度。本文提出了一种3DCNN-MLP模型，该模型利用高密度表面肌电信号同时估计20个手部关节位置和握力。该深度学习模型将肌肉活动映射到手部运动学和动力学。所提出模型的性能也在实时分辨率下评估了握力估计。本文研究了三种个体动态手部运动（二指捏、三指捏和握拳开合），同时施加最大自主收缩力（MVC）的10%和30%的力。结果证明了在估计动力学和运动学方面的显著准确性。所有关节和受试者的平均欧几里得距离为11.01 ± 2.22 mm，离线和实时力估计的平均绝对误差分别为0.8 ± 0.33 N和2.09 ± 0.9 N。结果表明，通过利用高密度sEMG和深度学习，可以估计人手动力学（运动学和动力学），这是向实用假肢手迈出的一步。
引用
@article{arxiv.2410.23986,
title = {Simultaneous Control of Human Hand Joint Positions and Grip Force via HD-EMG and Deep Learning},
author = {Farnaz Rahimi and Mohammad Ali Badamchizadeh and Raul C. Sîmpetru and Sehraneh Ghaemi and Bjoern M. Eskofier and Alessandro Del Vecchio},
journal= {arXiv preprint arXiv:2410.23986},
year = {2024}
}