模式可分离性的视觉反馈改善上肢假肢的肌电解码性能
人机交互
2025-05-19 v2 计算机视觉与模式识别
机器学习
系统与控制
系统与控制
摘要
最先进的上肢肌电假肢通常使用模式识别（PR）控制系统，将肌电图（EMG）信号转换为期望的运动。随着假肢运动复杂性的增加，用户往往难以产生足够不同的 EMG 模式以实现可靠分类。现有的训练通常涉及对静态解码器边界的启发式、试错式用户调整。目标：我们引入了 Reviewer，一种三维可视化界面，将 EMG 信号直接投射到解码器的分类空间中，提供对 PR 算法行为的直观、实时洞察。这种结构化反馈降低了认知负荷，并促进了用户生成的 EMG 模式与解码器边界之间的相互、数据驱动的适应。方法：一项包含 12 名健康受试者的 10 次会话研究，比较了使用 Reviewer 进行基于运动的训练与更新后的 PR 性能，与传统虚拟手臂可视化方法的结果。性能通过 Fitts 定律任务进行评估，该任务涉及光标孔径和方向控制。结果：与标准可视化组相比，使用 Reviewer 训练的参与者取得了更高的完成率、更小的超调量以及更优的路径效率和吞吐量。意义：Reviewer 引入了基于解码器的运动训练，促进了即时且一致的基于 PR 的肌电控制改进。通过实时反馈迭代优化控制，该方法减少了对试错式重新标定的依赖，使训练框架更具适应性和自我纠正能力。结论：三维视觉反馈通过结构化训练显著改善了新手操作者的 PR 控制，实现了反馈驱动的适应性，并减少了对大量启发式调整的依赖。
引用
@article{arxiv.2505.09819,
title = {Visual Feedback of Pattern Separability Improves Myoelectric Decoding Performance of Upper Limb Prostheses},
author = {Ruichen Yang and György M. Lévay and Christopher L. Hunt and Dániel Czeiner and Megan C. Hodgson and Damini Agarwal and Rahul R. Kaliki and Nitish V. Thakor},
journal= {arXiv preprint arXiv:2505.09819},
year = {2025}
}