确定最优肌电的信号记录时间基于模式识别的假肢控制gydF4y2Ba
Mojisola恩典AsogbongydF4y2Ba
1gydF4y2Ba
Oluwarotimi威廉姆斯撒母耳gydF4y2Ba
1 *gydF4y2Ba
Ejay NsugbegydF4y2Ba
2gydF4y2Ba
永诚李gydF4y2Ba1gydF4y2Ba
弗兰克KulwagydF4y2Ba1gydF4y2Ba
Deogratias MzurikwaogydF4y2Ba3gydF4y2Ba
Shixiong陈gydF4y2Ba
1gydF4y2Ba
Guanglin李gydF4y2Ba1 *gydF4y2Ba
- 1gydF4y2Ba中科院重点实验室人机Intelligence-Synergy系统、深圳先进技术研究院(SIAT),中国科学院(CAS),深圳学院人工智能和机器人对社会,深圳,中国gydF4y2Ba
- 2gydF4y2BaNsugbe研究实验室,斯文顿、英国gydF4y2Ba
- 3gydF4y2Ba生物医学工程单位、部门的生理学、工程学院Muhimbili大学卫生与盟军科学、坦桑尼亚的首都,达累斯萨拉姆,一家gydF4y2Ba
作品简介:gydF4y2BaElectromyogram-based模式识别(EMG-PR)被广泛认为是一个本质上直观的多功能上肢假肢的控制方法。该计划的一个至关重要的方面是EMG信号记录时间(阶跃恢复二极管),必要的运动任务具有每时间,影响系统的整体性能。例如,冗长的阶跃恢复二极管不可避免地介绍了疲劳(改变的肌肉收缩模式特定的肢体动作),可能导致高计算成本建设运动意图解码器,导致假体控制不足和控制器延时在实际使用。相反,相对较短的阶跃恢复二极管可能导致减少数据收集时间,其他优点,允许更方便假肢调整协议。因此,确定最优阶跃恢复二极管需要描述肢体运动意图充分将援助直观PR-based控制仍然是一个开放的研究问题。gydF4y2Ba
方法:gydF4y2Ba本研究系统地研究不同长度的影响和概括性描述肌阶跃恢复二极管的手指动作的多个类。调查涉及描述十五类的手指动作通常由八肢科目使用各种EMG阶跃恢复二极管组包括1、5、10、15、20多岁。两个不同的培训策略包括阶跃恢复二极管和Within-SRD之间实现跨三个流行的机器学习分类器和三个时域特征探讨阶跃恢复二极管对解码器EMG-PR运动意图的影响。gydF4y2Ba
结果:gydF4y2Babetween-SRD策略结果反映的实际情况表明,一阶跃恢复二极管大于5但小于或等于10年代(> 5和< = 10 s)需要实现像样的平均手指手势解码精度feature-classifier组合。值得注意的是,内容的阶跃恢复二极管会招致更多的收购和实施时间,反之亦然。在夹杂物,研究结果为选择合适的阶跃恢复二极管提供洞察力和指导援助不足的描述多个类的肢体运动任务PR-based多功能假肢的控制方案。gydF4y2Ba
1。介绍gydF4y2Ba
上肢截肢者从完整的勘探的环境中排除损失尤其在完成任务,要求他们的手臂功能(gydF4y2BaCordella et al ., 2016gydF4y2Ba;gydF4y2Ba惠顿,2017gydF4y2Ba)。截肢者在日常生活活动中所面临的各种挫折促使智能假肢的发展意味着直觉地恢复肢体功能。这种技术的最前沿是基于肌电的模式识别(PR)的接口,使用解码运动意图从表面肌电图(EMG)信号的控制(gydF4y2BaCordella et al ., 2016gydF4y2Ba;gydF4y2BaVujaklija et al ., 2016gydF4y2Ba;gydF4y2BaParajuli et al ., 2019gydF4y2Ba)。在一个典型的PR-based假肢控制管道,EMG信号协调肌肉活动的特定的肢体运动记录,处理,和运动解码任务gydF4y2Ba通过gydF4y2Ba机器学习算法作为控制的输入设备(gydF4y2Ba李et al ., 2010gydF4y2Ba;gydF4y2BaAsogbon et al ., 2020 agydF4y2Ba;gydF4y2BaNsugbe et al ., 2021 agydF4y2Ba)。gydF4y2Ba
一些混杂因素阻碍PR-based假体的临床和商业关系在实际环境中已得到充分的研究近年来提出解决方案(gydF4y2Ba丰纳这样et al ., 2010gydF4y2Ba;gydF4y2BaLorrain et al ., 2010gydF4y2Ba;gydF4y2Ba特卡奇et al ., 2010gydF4y2Ba;gydF4y2Ba年轻的et al ., 2011gydF4y2Ba;gydF4y2Ba他et al ., 2013年gydF4y2Ba;gydF4y2Ba清et al ., 2021gydF4y2Ba)。例如,电极转移(gydF4y2Ba年轻的et al ., 2011gydF4y2Ba),肌肉收缩力变化(gydF4y2BaLorrain et al ., 2010gydF4y2Ba;gydF4y2Ba特卡奇et al ., 2010gydF4y2Ba),在肢体突然改变位置(gydF4y2Ba丰纳这样et al ., 2010gydF4y2Ba)和变异性带来长期的肌电图记录(gydF4y2Ba他et al ., 2013年gydF4y2Ba)等,与潜在的混杂因素,研究提出解决方案。尽管有这些进步,一个重要方面,上述因素和许多其他依赖EMG信号记录时间(阶跃恢复二极管),可能会影响手指动作的特征。最好的作者的知识,EMG阶跃恢复二极管迄今为止还没有被研究过。例如,当肌电图阶跃恢复二极管相对漫长,肌肉疲劳等现象是不可避免的,可能改变特定的肢体运动的肌肉收缩模式;这可能削弱手指运动的解码,通过扩展,降低了假肢控制性能。此外,长阶跃恢复二极管通常会导致相对较大的体积特性,和分类器的训练时间,并可能导致计算复杂度和提高控制器实时延迟使用。另一方面,有些短的阶跃恢复二极管可能导致减少数据收集时间,其他优势,允许更方便假肢调整协议。另一方面,使用短信号获得阶跃恢复二极管可能导致贫困运动手势识别如果足够的/足够的神经信息没有包含在信号,尤其是如果它是来自截肢的病人。gydF4y2Ba
到目前为止,现有的一些研究任意使用不同的肌电的阶跃恢复二极管为解码有针对性的肢体动作PR-based假体的上下文中没有考虑他们是否将产生最优特征的运动任务。例如,gydF4y2Ba伊特和Demir (2020)gydF4y2Ba获得肌和陀螺信号的多手指手势与5 s和阶跃恢复二极管gydF4y2BaAl-Timemy et al。(2015)gydF4y2Ba调查的影响肌肉收缩力变化的分类性能使用阶跃恢复二极管EMG-PR系统范围内的8 - 12 s。此外,gydF4y2Ba李et al。(2021)gydF4y2Ba使用一个阶跃恢复二极管4 s的研究旨在提高运动EMG-PR系统和分类精度gydF4y2Ba撒母耳et al。(2018 b)gydF4y2Ba利用一阶跃恢复二极管5 s的研究旨在改善EMG-based假肢控制特性。虽然我们承认一些努力已经对解决相关问题领域的PR-based假肢技术(gydF4y2BaCordella et al ., 2016gydF4y2Ba;gydF4y2Ba贝茨et al ., 2020gydF4y2Ba;gydF4y2BaNsugbe et al ., 2021 bgydF4y2Ba),最优肌阶跃恢复二极管的调查仍然是一个开放的研究问题。因此,它是必要的调查和确定最优肌电的阶跃恢复二极管,援助足够描述截肢者的肢体运动意图和多功能假肢的直观的控制。此外,调查应该为该领域的研究人员和开发人员提供适当的见解和指导的选择适当的阶跃恢复二极管当进行研究或开发一个必要的解决方案。gydF4y2Ba
因此,本研究系统地研究了不同长度的影响肌阶跃恢复二极管的特性与多个类相关的运动意图的精细的手指手势由招募对象。更具体地说,涉及的实验八通常肢体科目(包括6名男性和两名女性没有肌肉或神经紊乱历史),和每个主题引起十五类(单一和组合类)的手指动作在不同时间的EMG-SRD包括1、5、10、15、20多岁。之后,每一个阶跃恢复二极管预处理,显著的特征提取方法应用于建筑特征向量,特征向量是用来构建三个不同的机器学习分类算法的解码手指动作基于Within-SRD和Between-SRD策略,方法部分中描述。基准性能指标被应用于评估动作模式为每个阶跃恢复二极管特性及其相应的解码性能。gydF4y2Ba
2。材料和方法gydF4y2Ba
2.1。数据收集和处理gydF4y2Ba
肌电的数据集用于本研究从网上获得的肌电图数据存储库(OneDrive)。使用BagnoliTM EMG信号收集采集系统(Delsys Inc .)生产的。设备设置和电极位置计划所示gydF4y2Ba图1 a, BgydF4y2Ba。数据收集过程前,共有八个正常肢体科目包括6名男性和两名女性没有肌肉或神经系统疾病史被召集来,了解该研究的目标(gydF4y2BaKhushaba Kodagoda, 2012gydF4y2Ba)。在他们包含在这个实验中,获得了书面知情同意从每个主题,表明他们愿意参与这项研究。之后,八EMG信号传感器被放置在每个主题的前臂肌肉和dual-slot胶粘剂的皮肤界面应用坚决解决电极皮肤,防止不良位移可能影响信号的质量。除此之外,一个参比电极放置在每个参与者所示的手腕gydF4y2Ba图1 bgydF4y2Ba。gydF4y2Ba
图1所示。gydF4y2Ba(一)gydF4y2Ba肌电图数据采集系统(Delsys Inc .)设置;gydF4y2Ba(B)gydF4y2Ba电极植入的前部和后部参与者的右臂(gydF4y2BaKhushaba Kodagoda, 2012gydF4y2Ba)。gydF4y2Ba
数据记录任务,参与者被要求坐在椅子上舒服地双手支撑和固定在一个特定的位置(以确保一致的手臂位置在整个实验)。和十五类的手指动作引起所示gydF4y2Ba表1gydF4y2Ba在每个运动类持续了一段时间的20年代,其次是休息时间的5 s。同时,肌电图记录三个试验中利用的研究(gydF4y2BaKhushaba Kodagoda, 2012gydF4y2Ba)。gydF4y2Ba
表1。gydF4y2Ba十五类的手指动作与各自的代码。gydF4y2Ba
记录的EMG信号被放大使用Delsys Bagnoli-8放大器到1000的总增长的速度信号采样时4000 Hz。20到450赫兹之间的带通滤波器和陷波滤波器应用于信号处理和消除电力线路干扰。gydF4y2Ba
2.2。特征提取gydF4y2Ba
调查的影响特性的阶跃恢复二极管的多个类图运动中,不同长度的EMG信号记录(1、5、10、15和20多岁),是概念化gydF4y2Ba图2gydF4y2Ba被检查。分析了阶跃恢复二极管数据分区每个运动持续时间为一系列分析窗口长度为150和100 ms的增量gydF4y2Ba通过gydF4y2Ba重叠分割方案,已普遍应用领域的EMG信号处理(gydF4y2BaEnglehart哈金斯,2003年gydF4y2Ba;gydF4y2Ba梅农et al ., 2011gydF4y2Ba;gydF4y2BaAsogbon et al ., 2020 bgydF4y2Ba)。分割过程通常是进行增强的性能和响应时间PR-based肌电的控制方案在实际设置(gydF4y2BaAsogbon et al ., 2020 bgydF4y2Ba)。gydF4y2Ba
图2。gydF4y2Ba概念图不同信号的记录长度被认为在研究三个试验。gydF4y2Ba
从每个分析窗口的EMG信号,提出了三种不同特性的数学表达式(方程式1 - 3)中提取单独建立一个机器学习分类器对解码手指运动的不同的类。应该注意,特征提取方法已经广泛应用于描述多个类的有针对性的肢体动作,他们包括Hudgins的时域特性集(意味着绝对值:飞行器,零交叉:佐,波形长度:王,和斜率标志的数量变化:SSC),小说时域特性(NTDF,提出我们的研究团队),和均方根(RMS) (gydF4y2Ba哈金斯et al ., 1993gydF4y2Ba;gydF4y2BaEnglehart哈金斯,2003年gydF4y2Ba;gydF4y2Ba撒母耳et al ., 2018 agydF4y2Ba;gydF4y2BaAsogbon et al ., 2020 agydF4y2Ba,gydF4y2BabgydF4y2Ba)。gydF4y2Ba
在哪里gydF4y2BaxgydF4y2BangydF4y2Ba是gydF4y2BangydF4y2BathgydF4y2Ba样品在给定的肌电图记录的长度gydF4y2BakgydF4y2Ba。简单来讲,gydF4y2Ba微型飞行器gydF4y2Ba代表了一个估计的平均绝对价值gydF4y2BaxgydF4y2Ba在一个给定的信号的长度gydF4y2Bak,王gydF4y2Ba提供信息关于波长特征信号,在给定的部分gydF4y2Ba佐gydF4y2Ba代表了一种频率测量的波形穿过零的次数(基线),和gydF4y2BaSSCgydF4y2Ba表示一个替代但互补程度的斜率变化信号的次数(gydF4y2Ba哈金斯et al ., 1993gydF4y2Ba;gydF4y2BaEnglehart哈金斯,2003年gydF4y2Ba)。和这些描述符的聚合形式TD4特性集,采用后续部分的手稿(gydF4y2Ba哈金斯et al ., 1993gydF4y2Ba;gydF4y2BaEnglehart哈金斯,2003年gydF4y2Ba)。与此同时,gydF4y2Ba用力推。(值为0.01)gydF4y2Ba代表的阈值gydF4y2Ba鳞状细胞癌gydF4y2Ba计算价值。gydF4y2Ba
在哪里gydF4y2Ba姐姐gydF4y2Ba表示简单的积分广场中捕获能量一段EMG信号(gydF4y2Bax [n] / xgydF4y2BangydF4y2Ba),gydF4y2BaNgydF4y2Ba表示信号的总长度在一段gydF4y2BanormRSD1gydF4y2Ba和gydF4y2BanormRSD2gydF4y2Ba代表第一和第二顺序的标准化形式根方的描述符,抓住了光谱信息在一个给定的EMG信号段,和gydF4y2BamMSRgydF4y2Ba和gydF4y2BamASMgydF4y2Ba描述符获取信号的功率的估计每段(gydF4y2BaAsogbon et al ., 2020 agydF4y2Ba)。和这些描述符的聚合形式采用随后的NTDF特性集(gydF4y2BaAsogbon et al ., 2020 agydF4y2Ba)。gydF4y2Ba
在哪里gydF4y2BaRMSgydF4y2Ba表示的平方根EMG记录的平均功率(gydF4y2BaxgydF4y2BangydF4y2Ba)在一个给定的信号的长度是用gydF4y2BakgydF4y2Ba。gydF4y2Ba
上述特征被提取后,三个广泛利用机器学习分类算法结构简单、直观、精度高、快速计算特征包括线性判别分析(LDA),再(资讯)和随机森林分类器(gydF4y2BaBoughorbel et al ., 2017gydF4y2Ba;gydF4y2BaAsogbon et al ., 2021gydF4y2Ba)应用于运动类进行分类是阶跃恢复二极管组。因此,我们研究了不同阶跃恢复二极管的影响在手指运动模式描述使用一组固定的特性和机器学习分类器使用下面两种方法描述。gydF4y2Ba
2.3。数据分析和绩效评估gydF4y2Ba
阶跃恢复二极管的影响在EMG-PR运动意图解码系统的调查是基于两种不同类型的训练和测试策略,即Within-SRD集团(代表了通常采用的方法)和Between-SRD方法描述如下:gydF4y2Ba
(a)。Within-SRD组场景:在这种方法中,EMG-PR方案的性能研究,培训和测试特征向量是由肌电图记录相同的阶跃恢复二极管组。具体地说,在这种方法中,必要的特征向量是由前两个试验(试验1 +试验2)的录音(指定为训练集),而获得相应的测试集的特征向量从第三试验(实验3)。gydF4y2Ba
(b)。Between-SRD组场景:在这种方法中,EMG-PR方案的性能特征向量时检查由一个特定的EMG阶跃恢复二极管组(比如1)用于训练分类器,而获得的特征向量的阶跃恢复二极管组(1、5、10、15和20年代)是用于测试分类器的译码性能。此外,需要注意的是,训练集是由所有试验而获得的测试集也基于所有的试验。gydF4y2Ba
对于每个上面描述的方法,评价指标包括分类准确性(CA)和马修相关系数(MCC)被认为是和它们的描述如下。CA,常用评价指标代表正确分类样本的数量在所有样本(Eq的总和。(4))是利用。MCC指标已被广泛应用于多类问题研究中也采用评价[方程式(5、6)]。世纪挑战集团被认为是一个高度信息指标可用于评估分类的任务,因为它被认为是一个平衡的比例在四个混淆矩阵参数(假阳性,真阳性,真阴性和假阴性)(gydF4y2BaLiarokapis et al ., 2014gydF4y2Ba;gydF4y2BaAsogbon et al ., 2020 agydF4y2Ba)。gydF4y2Ba
在j = 1、2、3……数量的类(n,类),TP是真正的计数阳性,TN表示真正的底片,FP是假阳性的数量,和FN是假阴性的数量从一个混淆矩阵。与此同时,MCC值计算使用macro-averaging技术。gydF4y2Ba
此外,阶跃恢复二极管之间的统计显著性检验组都使用了弗里德曼的信心水平集的测试gydF4y2BapgydF4y2Ba< 0.05。在MATLAB环境下进行了统计分析。gydF4y2Ba
3所示。结果gydF4y2Ba
3.1。Within-SRD组场景gydF4y2Ba
3.1.1。绩效评估不同信号的长度在手指手势EMG-PR分类器的任务gydF4y2Ba
利用不同的分类和特性集,gydF4y2Ba图3gydF4y2Ba介绍了平均分类精度在fifteen-finger运动任务在8个主题。这里的目的是检查的影响个体阶跃恢复二极管(1、5、10、15和20 s)对分类性能EMG-PR系统。它可以观察到从结果中给出gydF4y2Ba图3gydF4y2Ba的平均分类精度变化特征和分类器。例如,5 s阶跃恢复二极管实现最高的中科院在主题和手指动作增加从0.01到3.86% LDA分类器相比,其他阶跃恢复二极管组的性能。同样,一些价值不同的现象观察当资讯和射频分类器了。10 (RF)和20年代(资讯)超过其他阶跃恢复二极管组分类精度的增加从0.22 - 8.26%和0.33 - 7.99%,尽管有微不足道的区别与其他阶跃恢复二极管组除1 s阶跃恢复二极管。功能性能而言,NTDF达到最高的平均精度而RMS所有分类器的精度最低。gydF4y2Ba
图3。gydF4y2Ba不同组的平均分类精度的信号记录长度根据Within-SRD组场景中使用gydF4y2Ba(一)gydF4y2BaLDA,gydF4y2Ba(B)gydF4y2Ba然而,gydF4y2Ba(C)gydF4y2Ba射频NTDF, TD4和RMS特性在手指动作和参与者。gydF4y2Ba
总的来说,LDA + NTDF记录最高的组合平均分类准确率与资讯相比,射频等特性。具体地说,1 s阶跃恢复二极管可以观察到的最小的精度,而另一个阶跃恢复二极管实现更高但相似的精度比1 s LDA-NTDF阶跃恢复二极管的组合。分析信号记录长度的影响基于分类精度报告gydF4y2Ba图4gydF4y2Ba所有的分类和特性,可以看出,1 s阶跃恢复二极管的分类精度明显(gydF4y2BapgydF4y2Ba> 0.05)低于其他阶跃恢复二极管而5 s最高精度虽然与解码性能几乎相同10,15和20年代阶跃恢复二极管(gydF4y2BapgydF4y2Ba> 0.05)。值得注意的是,在这项研究中,阶跃恢复二极管的增加会导致增加培训和测试时间,这可能会引入一些延迟假体的性能在实际部署。换句话说,记录持续时间越长,计算成本越高,反之亦然。表现不佳的一个可能原因的1阶跃恢复二极管可能是由于缺乏足够的神经信息信号长度。这个结果表明,适当选择关键参数/方法(如信号记录长度和feature-classifier组合)的整体性能将大大影响EMG-PR-based运动意图解码策略用于多功能假肢的控制。在所有分类,统计分析gydF4y2Ba通过gydF4y2Ba弗里德曼的测试显示解码精度无显著差异NTDF阶跃恢复二极管组:gydF4y2BapgydF4y2Ba= 0.11和TD4:gydF4y2BapgydF4y2Ba= 0.10,虽然1 s,另一个阶跃恢复二极管之间的大量增加。与此同时,RMS有显著差异:gydF4y2BapgydF4y2Ba= 0.043。gydF4y2Ba
图4。gydF4y2Ba平均分类性能在手指动作和参与者基于Between-SRD方法使用NTDF TD4, RMSgydF4y2Ba(一)gydF4y2BaLDA,gydF4y2Ba(B)gydF4y2Ba然而,gydF4y2Ba(C)gydF4y2Ba射频时的每一个阶跃恢复二极管被用作训练数据和测试数据集与阶跃恢复二极管。gydF4y2Ba
3.2。Between-SRD组场景gydF4y2Ba
3.2.1之上。信号记录持续时间对EMG-PR分类性能的影响gydF4y2Ba
Within-SRD场景已经使用在许多现有的作品;然而,它可能很难利用这种方法选择最优阶跃恢复二极管运动意图描述,因为它在现实生活中并不可行。因此确定最优阶跃恢复二极管,我们采用Between-SRD方法系统地研究每个阶跃恢复二极管组的普遍性运动意图解码。在这个场景中,机器学习分类器训练数据连接在所有试验为一个特定的阶跃恢复二极管(1)和测试使用数据从所有试验阶跃恢复二极管组(1、5、10、15和20年代)和结果所示gydF4y2Ba图4 a - cgydF4y2Ba。此图描绘了平均CA在手指手势和参与者的15类,它可以看到CA下降阶跃恢复二极管,特性,并提出了分类器相比,结果within-SRD场景gydF4y2Ba图3gydF4y2Ba(培训和测试数据都来自相同的阶跃恢复二极管)。除此之外,对于Between-SRD场景,最高的解码性能是通过15年代,紧随其后的是10阶跃恢复二极管(尽管微不足道的差别),而1和20多岁的所有features-classifier组合收益率最低的CA。进一步检查分类器性能,射频(gydF4y2Ba图4 cgydF4y2Ba)优于LDA (gydF4y2Ba图4一gydF4y2Ba)和资讯(gydF4y2Ba图4 bgydF4y2Ba)所有的阶跃恢复二极管和特性除了1 s LDA + NTDF的阶跃恢复二极管的组合。例如,大多数执行功能(NTDF)运动类和参与者,射频实现了增量的4.71%和7.09相比,LDA和资讯,分别为10阶跃恢复二极管。以类似的方式,射频实现增量的5.79%和8.82相比,LDA和资讯,相应地15阶跃恢复二极管。除此之外,在分类器,NTDF特性优于其他特性的阶跃恢复二极管。在分类器,NTDF阶跃恢复二极管(中间有统计意义gydF4y2BapgydF4y2Ba= 0.021),TD4 (gydF4y2BapgydF4y2Ba= 0.017)和RMS (gydF4y2BapgydF4y2Ba= 0.017)。同样,显著差异发生在各地的阶跃恢复二极管特性。从统计学意义的结果,10和15年代阶跃恢复二极管实现类似的性能相比没有实质性的区别。此外,报告之间的性能比较结果gydF4y2Ba图4gydF4y2Ba对于每一个阶跃恢复二极管显示Between-SRD方法会显著影响解码EMG-PR系统的性能。gydF4y2Ba
值得一提的是,观察期间EMG-PR方案的实现表明,通常计算成本与阶跃恢复二极管的增加而增加,这可能需要我们考虑一个阶跃恢复二极管大于5 s但小于或等于10 (> 5 s和< = 10年代)。gydF4y2Ba
3.2.2。评估基于MCC度量信号持续时间的影响gydF4y2Ba
的影响不同群体的阶跃恢复二极管特性的电动机Between-SRD战略意图是进一步研究使用“2.3节中定义的MCC度量。数据分析和绩效评估”的纸。值得注意的是,世纪挑战帐户集团是一个高度信息化评价方法估算分类任务主要是由于其平衡的能力比在四个有效混淆矩阵参数。因此,相应的每个群MCC值信号长度是从各自的混淆矩阵计算的。gydF4y2Ba
使用相同数量的分类和特性,获得MCC的平均价值在所有手指运动的任务和主题所示gydF4y2Ba图5模拟gydF4y2Ba使用水平点阴谋。检查每个classifier-feature组合(gydF4y2Ba图5 a - cgydF4y2Ba)阶跃恢复二极管组,NTDF了MCC值最高的LDA和相似的价值观TD4资讯和射频。同时,RMS特性最低MCC值信号记录长度的不同群体进行调查。gydF4y2Ba
图5。gydF4y2Ba运动持续时间的平均MCC值组在手指动作和参与者基于Between-SRD策略使用NTDF TD4, RMSgydF4y2Ba(一)gydF4y2BaLDA,gydF4y2Ba(B)gydF4y2Ba然而,gydF4y2Ba(C)gydF4y2Ba射频,gydF4y2Ba(D)gydF4y2Ba平均MCC价值使用的所有特性,LDA,资讯和射频分类器。gydF4y2Ba
观察的阶跃恢复二极管的性能gydF4y2Ba图5 a - cgydF4y2Ba重叠的符号可以看到5,10,和LDA 15秒,10和15秒符号重叠资讯和射频,分别指示类似MCC的价值观。的分类和特性,1 s实现MCC值最低,其次是20多岁,而10和15秒阶跃恢复二极管获得MCC值最高,表明一致性与CA结果“3.2.1节中描述。解码性能between-SRD场景。“与其他分类器相比,RF记录最好的均方根值,TD4,和NTDF特性。类似的性能趋势的分类和特性的阶跃恢复二极管组可观察到结果了gydF4y2Ba图4 a - cgydF4y2Ba(参见“3.2.1之上。解码性能对于between-SRD场景”)。和gydF4y2Ba图5 dgydF4y2Ba描述classifier-wise计算均值MCC值在所有功能,运动任务和课题。可以看出,RF分类器实现最好的MCC值为0.36,0.60,0.65,0.67,0.52,1、5、10、15日分别和20年代信号记录长度。此外,统计分析gydF4y2Ba通过gydF4y2Ba弗里德曼的测试显示显著差异(gydF4y2BapgydF4y2Ba= 0.007)在阶跃恢复二极管的解码精度和特性对LDA,然而,射频分类器。同时,统计学意义发生阶跃恢复二极管组之间在分类器(0.017)。gydF4y2Ba
3.2.3。信号记录长度对个人的影响手指手势解码gydF4y2Ba
在本节中,每个类的识别率的手指运动个体信号记录长度检查跨科目使用NTDF的结合特性和RF Between-SRD分类器基于他们的表现。利用线和误差散点图,获得的结果所示gydF4y2Ba图6 fgydF4y2Ba。应该注意的是,标准偏差在受试者显示误差线的阴谋。的结果,可以看出有变化在所有手指动作的误差阶跃恢复二极管(1、5、10、15和20年代)。具体地说,在所有的阶跃恢复二极管组,thumb-index类(用TI)记录解码精度最高的37.44,60.51,69.28,72.36,60.68%,1、5、10、15、20年代,分别。同时,阶跃恢复二极管,这个手势(TI)最高标准误差与其他手指动作相比,标志着整个参与者性能变化。gydF4y2Ba
图6。gydF4y2Ba学科之间平均解码性能对个人手指手势使用NTDF特性和LDA分类器的组合gydF4y2Ba(一)gydF4y2Ba1,gydF4y2Ba(B)gydF4y2Ba5 s,gydF4y2Ba(C)gydF4y2Ba十年代,gydF4y2Ba(D)gydF4y2Ba15秒,gydF4y2Ba(E)gydF4y2Ba20年代,gydF4y2Ba(F)gydF4y2Ba多个样条函数曲线线条和散点图显示运动类之间的性能比较。gydF4y2Ba
另一方面,thumb-little (TL)手指动作记录了至少1 s的性能,类环(I)对5 s,手关闭(HC) 10 s,拇指(TM) 15和20年代中期阶跃恢复二极管。gydF4y2Ba
之间的性能比较全面,组织透露,15秒阶跃恢复二极管组取得了最高的平均识别其次是10阶跃恢复二极管组在所有类别的手指动作相比,其他阶跃恢复二极管。同时,比较清晰的描述整个团体的运动意图,gydF4y2Ba图6 fgydF4y2Ba描述了信号的所有组的结果记录长度。仔细分析显示大部分类实现最佳的性能在10到15秒信号记录长度与多数类的符号重叠。这个结果表明,一些手指动作的解码性能可能取决于相对长阶跃恢复二极管,1 s阶跃恢复二极管可以看到至少实现解码性能20阶跃恢复二极管紧随其后。gydF4y2Ba
4所示。讨论gydF4y2Ba
模式识别(PR)的肌电的系统已被广泛研究主要是因为其能力提供控制计划可以帮助无缝实现多个自由度上肢假肢技术的功能(gydF4y2BaCordella et al ., 2016gydF4y2Ba;gydF4y2BaKuiken et al ., 2016gydF4y2Ba;gydF4y2Ba撒母耳et al ., 2019gydF4y2Ba;gydF4y2BaMereu et al ., 2021gydF4y2Ba)。在理想PR-based计划,预计可重复的肌肉收缩模式应该为特定的肢体运动任务生成试验对面的特征向量的运动目的是构建和应用于构建机器学习算法,破译截肢者的运动意图(gydF4y2Ba李et al ., 2010gydF4y2Ba;gydF4y2BaAsogbon et al ., 2020 agydF4y2Ba;gydF4y2BaNsugbe et al ., 2021 agydF4y2Ba)。除此之外,各种因素可能影响肌肉活动模式的可重复性即使对于相同的肢体运动的任务,这可能会抑制正确描述运动意图和它的解码。这样的因素之一,迄今很少研究是EMG-SRD用来构建机器学习分类器解码运动任务。为了获得适当的洞察EMG-SRD动态如何影响多个模式的描述引起肢体运动的任务,本研究系统地研究不同群体的阶跃恢复二极管(1、5、10、15和20年代)基于Within-SRD和Between-SRD策略使用八个强壮的受试者的数据集进行十五类的简单和手指动作相结合。调查的结果显示,解码性能在主题和手指动作将取决于EMG阶跃恢复二极管工作不管利用特征提取方法和机器学习分类算法。gydF4y2Ba
Within-SRD已普遍使用的手势识别方法/分类基于肌-公关的系统。通过这种方法,几项研究已经报道令人满意的或高分类精度前臂或手指运动任务使用平均≤6阶跃恢复二极管。不幸的是,所有这些研究报告的精度高并没有转化为强劲或直观的假肢控制方案可以广泛采用在临床和商业的设置。一个可能的原因可能是一般采用Within-SRD方法可能不能反映什么是获得现有工作的,因为它与实际部署的假体,导致我们调查Between-SRD场景在当前的研究中。比较的性能Within-SRD (gydF4y2Ba图3 a - cgydF4y2Ba)和Between-SRD (gydF4y2Ba图4 a - cgydF4y2Ba),很明显,选择最优EMG-SRD应该基于使用一个更现实的/实用方法(如Between-SRD)将在现实生活中适应变化而不是Within-SRD场景已被广泛采用。gydF4y2Ba
具体来说,在Within-SRD场景(gydF4y2Ba图3gydF4y2Ba),平均分类精度运动意图解码主要是观察到的增加与EMG信号长度相应增加的所有特性除了少数情况下,在性能仍然是大约相同的或下降。除此之外,这种现象不太明显时相同的特性集了资讯和射频分类器除了NTDF特性。与RMS和TD4特性,NTDF特性记录相对更高的平均分类精度特别是LDA和资讯分类,证明其一致性和稳定性的能力。检查Between-SRD场景结果(gydF4y2Ba图4 a - cgydF4y2Ba),一个相对类似的性能趋势与Within-SRD看得见的方法的特性(NTDF TD4, RMS)和分类器(射频、资讯、LDA)除外LDA + NTDF实现更好的性能比资讯+ NTDF和射频+ NTDF (gydF4y2Ba图3 a - cgydF4y2Ba)。然而,对于这两个场景中,这一趋势是不同的阶跃恢复二极管组表明EMG-SRD会影响假体系统的控制性能在实际的应用程序。在gydF4y2Ba图4 a - cgydF4y2Ba,CA EMG阶跃恢复二极管增加和增加显著下降15秒后所有的特性和分类器。表现不佳的一个潜在的解释1阶跃恢复二极管可能是阶跃恢复二极管太短,信息包含异步电动机短信号记录不能充分提供马达的信息表征的手指动作。在20年代和性能下降阶跃恢复二极管可能由于疲劳或缺乏普遍性相对漫长的EMG信号的录音。gydF4y2Ba
除了分类精度度量,我们调查的影响,信号记录长度使用MCC的手指运动的表征指标,发现信号长度的不同会导致相应的手指动作类的不同表征(gydF4y2Ba图5模拟gydF4y2Ba)。类似的结果gydF4y2Ba图4 a - cgydF4y2Ba对于Between-SRD场景,MCC值相应增加从1增加到15阶跃恢复二极管,并拒绝了20年代阶跃恢复二极管。从故事情节gydF4y2Ba图5gydF4y2Ba,重叠明显的MCC值10和15阶跃恢复二极管,实现最好的MCC的价值观。与此同时,20年代1和阶跃恢复二极管记录值最低。这些结果进一步证实Between-SRD解码精度提出了gydF4y2Ba图4 a - cgydF4y2Ba。gydF4y2Ba
理解阶跃恢复二极管将如何影响个人的描述类的手指手势Between-SRD策略的基础上,我们分析了15类学科之间执行的手势为每个组阶跃恢复二极管和观察到的信号长度的不同影响手势的分类(gydF4y2Ba图6gydF4y2Ba)。对于所有阶跃恢复二极管组,thumb-index (TI)的手指动作精度最高,但高误差。进一步检查,高性能的高误差是由于变化的学科。例如,参与者5、6和7记录精度更高的阶跃恢复二极管除了1和5 s 5阶跃恢复二极管,参与者的表现就像别人。总的来说,大多数手指动作的解码精度高10到15阶跃恢复二极管,与大多数类CA互相重叠。再次,阶跃恢复二极管组印证了我们之前的性能分析。gydF4y2Ba
一般来说,所有的指标被认为是在这个研究对于Between-SRD场景,15年代阶跃恢复二极管实现最高的性能,其次是10年代射频+ NTDF的结合。然而,值得注意的是,这两个阶跃恢复二极管的性能差异组(10到15秒)不是统计学意义(gydF4y2BapgydF4y2Ba> 0.05),几乎相同或不同(< 1 - 2% CA和MCC指标),以及阶跃恢复二极管的增加将导致增加计算成本。因此,我们建议一个信号记录的长度大于5但小于或等于10年代(> 5,≤10 s)作为潜在的考虑到较长的EMG记录更多的处理时间可能需要构建分类器。从我们的研究结果表明,可能是一个安全区域的阶跃恢复二极管。gydF4y2Ba
最后,本研究的主要优势是它提供了一个适当的洞察阶跃恢复二极管在肌电图的影响分类精度使用三种不同的时域特性和机器学习分类算法和如何选择最优阶跃恢复二极管,健壮的实际情况。作者的知识,这不是以前的调查。此外,有必要提到这项研究的缺点。首先,从只有健康受试者三个试验获得的数据集是手指动作的每一个类。其次,提出了基于离线分析实验结果。在未来的工作中,我们希望招募更多的健康受试者和截肢者更广泛的手势(包括手指、前臂和手腕运动)将获得进一步验证我们的假设。还值得一提的,我们未来的调查应在网上设置以外的离线分析在当前的研究中,采用实时评估指标,进一步验证我们的假设。gydF4y2Ba
5。结论gydF4y2Ba
模式实现肌动电流图控制方法接口一直强调,证明是一个潜在的控制策略,有助于实现多自由度假肢的功能以灵巧的方式。此外,框架的一个重要方面,很少被调查的肌阶跃恢复二极管具有多个类肢体运动的任务。因此,本研究系统地研究不同的影响EMG-SRD运动意图的描述与多个类的手指动作。调查涉及描述十五类的手指动作通常由八肢受试者在不同长度的EMG-SRD(1、5、10、15和20年代)。此后,每组记录的预处理提取不同的特征集,和机器学习的分类算法是基于两种策略用于解码相应的手势即Between-SRD和Within-SRD场景。比较这些场景显示EMG-SRD会影响运动意图解码的性能。Between-SRD场景的实验结果,阶跃恢复二极管10和15年代取得了相当可观的性能相比其他阶跃恢复二极管的运动意图解码在手指动作、主题、功能集和分类器。考虑到增加了计算的复杂性,增加了阶跃恢复二极管,没有明显的/重大改进是10和15 s阶跃恢复二极管的性能,研究将推荐长阶跃恢复二极管(> 5,≤10 s)根据研究目标。基于Between-SRD方法确定最优阶跃恢复二极管相比,因为它是更现实的/可行的Within-SRD场景。更重要的是,确定最优信号长度是至关重要的充分描述多个类的有针对性的肢体动作中EMG-PR-based多功能假肢的控制。在我们未来的工作中,将开展进一步的调查来验证本研究的发现。gydF4y2Ba
数据可用性声明gydF4y2Ba
公开的数据集进行分析。这些数据可以在这里找到:gydF4y2Bahttps://www.rami-khushaba.com/biosignals-repositorygydF4y2Ba。gydF4y2Ba
道德声明gydF4y2Ba
涉及人类受试者的研究回顾和批准我们使用一个公共数据集的网址是:gydF4y2Bahttps://www.rami-khushaba.com/biosignals-repositorygydF4y2Ba。患者/参与者提供了他们的书面知情同意参与这项研究。gydF4y2Ba
作者的贡献gydF4y2Ba
马、OS和GL:概念化,融资收购,和写作,审查和编辑。马和操作系统:数据管理、写初稿,和方法论。操作系统和GL:监督。YL和DM:进一步数据分析和结果解释。恩,颗,SC:验证。妈,操作系统,SC、EN和颗:可视化。所有作者的文章和批准提交的版本。gydF4y2Ba
资金gydF4y2Ba
这项工作得到了国家自然科学基金资助(# U1913601, # 62150410439, # 82050410452),科学技术部、深圳(# QN2022032013L),深圳政府基础研究格兰特(# JCYJ20180507182508857),和深圳政府合作创新项目(# SGLH20180625142402055),和中国国家重点研发项目(# 2022 yfe0197500)。gydF4y2Ba
确认gydF4y2Ba
我们要感谢Rami Khushaba和Sarath Kodagoda收购在这项研究中使用的数据集。gydF4y2Ba
的利益冲突gydF4y2Ba
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba
出版商的注意gydF4y2Ba
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba
引用gydF4y2Ba
Al-Timemy, a . H。,Khushaba r . N。Bugmann, G。,和Escudero, J. (2015). Improving the performance against force variation of EMG controlled multifunctional upper-limb prostheses for transradial amputees.IEEE反式。神经系统。Rehabil。Eng。gydF4y2Ba24岁,650 - 661。doi: 10.1109 / TNSRE.2015.2445634gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Asogbon, m·G。,撒母耳,o·W。耿,Y。,Oluwagbemi, O., Ning, J., Chen, S., et al. (2020a). Towards resolving the co-existing impacts of multiple dynamic factors on the performance of EMG-pattern recognition-based prostheses.第一版。食物的方法。生物医学。gydF4y2Ba184:105278。doi: 10.1016 / j.cmpb.2019.105278gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Asogbon, m·G。,撒母耳,o·W。江,Y。王,L。耿,Y。,年代一个ng一个我一个h,一个。K., et al. (2020b). Appropriate feature set and window parameters selection for efficient motion intent characterization towards intelligently smart EMG-PR system.对称gydF4y2Ba12:1710。gydF4y2Ba
Asogbon, m·G。,撒母耳,o·W。李,X。,Nsugbe E。,年代che米e,E., and Li, G. (2021). A linearly extendible multi-artifact removal approach for improved upper extremity EEG-based motor imagery decoding.j .神经Eng。gydF4y2Ba在线打印。1741 - 2552 . doi: 10.1088 / / ac0a55gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
贝茨,t·J。,Ferg一个年代on,J. R., and Pierrie, S. N. (2020). Technological advances in prosthesis design and rehabilitation following upper extremity limb loss.咕咕叫。启肌肉骨骼地中海。gydF4y2Ba13日,485 - 493。doi: 10.1007 / s12178 - 020 - 09656 - 6gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Boughorbel, S。Jarray F。,和El-Anbari, M. (2017). Optimal classifier for imbalanced data using matthews correlation coefficient metric.《公共科学图书馆•综合》gydF4y2Ba12:e0177678。doi: 10.1371 / journal.pone.0177678gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
伊特,T。,和De米我r,米。C。(2020). Detection and classification of muscle activation in EMG data acquired by Myo armband.Avrupa Bilim ve Teknoloji DergisigydF4y2Ba178 - 183。doi: 10.31590 / ejosat.779660gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Cordella F。,C我一个nc我o,一个。l。,年代一个cchetti, R., Davalli, A., Cutti, A. G., Guglielmelli, E., et al. (2016). Literature review on needs of upper limb prosthesis users.前面。>。gydF4y2Ba10:209。doi: 10.3389 / fnins.2016.00209gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Englehart, K。,和哈金斯,B。(2003)。一个健壮的、多功能肌控制实时控制方案。gydF4y2BaIEEE反式。生物医学。Eng。gydF4y2Ba50岁,848 - 854。doi: 10.1109 / TBME.2003.813539gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
丰纳这样,。,年代che米e,E., Chan, A., Englehart, K., and Stavdahl, Ø. (2010). Resolving the limb position effect in myoelectric pattern recognition,.IEEE反式。神经系统。Rehabil。Eng。gydF4y2Ba19日,644 - 651。doi: 10.1109 / TNSRE.2011.2163529gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
他,J。,Zhang, D., Sheng, X., and Zhu, X. (2013). “Effects of long-term myoelectric signals on pattern recognition,” in智能机器人技术及应用gydF4y2Ba(柏林:Springer) 396 - 404。doi: 10.1007 / 978 - 3 - 642 - 40852 - 6 _40gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
哈金斯,B。,P一个rker,P。,和年代cott, R. N. (1993). A new strategy for multifunction myoelectric control.IEEE反式。生物医学。Eng。gydF4y2Ba40岁,82 - 94。doi: 10.1109/10.204774gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Khushaba r . N。,和Kodagoda, S. (2012). “Electromyogram (EMG) feature reduction using mutual components analysis for multifunction prosthetic fingers control,” in2012年12日控制自动化国际会议上机器人与视觉(ICARCV)gydF4y2Ba皮斯卡塔韦,新泽西:IEEE 1534 - 1539。doi: 10.1109 / ICARCV.2012.6485374gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Kuiken, t。,米我ller,l。一个。,Turner, K., and Hargrove, L. J. (2016). A comparison of pattern recognition control and direct control of a multiple degree-of-freedom transradial prosthesis.IEEE j .反式。Eng。健康医疗。gydF4y2Ba4、1 - 8。doi: 10.1109 / JTEHM.2016.2616123gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
李,G。,年代chultz, A. E., and Kuiken, T. A. (2010). Quantifying pattern recognition—Based myoelectric control of multifunctional transradial prostheses.IEEE反式。神经系统。Rehabil。Eng。gydF4y2Ba18日,185 - 192。doi: 10.1109 / TNSRE.2009.2039619gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
李X。,T我一个n,l。,Zheng, Y., Samuel, O. W., Fang, P., Wang, L., et al. (2021). A new strategy based on feature filtering technique for improving the real-time control performance of myoelectric prostheses.生物医学。信号的过程。控制gydF4y2Ba70:102969。doi: 10.1016 / j.bspc.2021.102969gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Liarokapis, M。,Kyriakopoulos, K. J., and Artemiadis, P. (2014). “A learning scheme for EMG based interfaces: on task specificity in motion decoding domain,” inNeuro-RoboticsgydF4y2Ba多德雷赫特:施普林格,3-36。doi: 10.1007 / 978 - 94 - 017 - 8932 - 5 _1gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Lorrain, T。江,N。,和F一个r我n一个,D。(2010)。影响训练集的表面EMG分类精度动态收缩多功能假肢的控制。gydF4y2Baj .神经Eng。Rehabil。gydF4y2Ba25。doi: 10.1186 / 1743-0003-8-25gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
梅农R。,D我,C。G., Lakany, H., Petropoulakis, L., Conway, B. A., and Soraghan, J. J. (2011). Study on interaction between temporal and spatial information in classification of EMG signals for myoelectric prostheses.IEEE反式。神经系统。Rehabil。Eng。gydF4y2Ba25日,1832 - 1842。doi: 10.1109 / TNSRE.2017.2687761gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Mereu F。,leone,F。,Gentile, C., Cordella, F., Gruppioni, E., and Zollo, L. (2021). Control strategies and performance assessment of upper-limb TMR prostheses: a review.传感器gydF4y2Ba21:1953。doi: 10.3390 / s21061953gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Nsugbe E。,撒母耳,o·W。,Asogbon, m·G。,和李,G。(2021一个)。多分辨率分析方法的对比transhumeral幻影运动解码。gydF4y2BaCAAI反式。智能。抛光工艺。gydF4y2Ba6,360 - 375。doi: 10.1049 / cit2.12039gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Nsugbe E。,撒母耳,o·W。,Asogbon, m·G。,和李,G。(2021b)。幻影运动意图解码transhumeral假肢控制融合神经肌肉和脑电波信号。gydF4y2Ba专业网络系统。机器人。gydF4y2Ba3,77 - 88。doi: 10.1049 / csy2.12009gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
OneDrive (2013)。gydF4y2BaOneDrive。gydF4y2Ba网上:gydF4y2Bahttps://onedrive.live.com/?authkey=%21Ar1wo75HiU9RrLM&id=AAA78954F15E6559%21312&cid=AAA78954F15E6559gydF4y2Ba。(2022年5月12日通过)。gydF4y2Ba
Parajuli, N。,年代reen我v一个年代一个n,N。, Bifulco, P., Cesarelli, M., Savino, S., Niola, V., et al. (2019). Real-time EMG based pattern recognition control for hand prostheses: a review on existing methods, challenges and future implementation.传感器gydF4y2Ba19:4596。doi: 10.3390 / s19204596gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
清,Z。陆,Z。,C一个我,Y., and Wang, J. (2021). Elements influencing sEMG-based gesture decoding: muscle fatigue. Forearm angle and acquisition time.传感器gydF4y2Ba21:7713。doi: 10.3390 / s21227713gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
撒母耳,o·W。,Asogbon, m·G。耿,Y。,Al-Timemy, a . H。、Pirbhulal年代。霁,N。,et一个l。(2019). Intelligent EMG pattern recognition control method for upper-limb multifunctional prostheses: advances, current challenges, and future prospects.IEEE访问gydF4y2Ba7,10150 - 10165。doi: 10.1109 / ACCESS.2019.2891350gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
撒母耳,o·W。周,H。李,X。,Wang, H., Zhang, H., Sangaiah, A. K., et al. (2018b). Pattern recognition of electromyography signals based on novel time domain features for amputees’ limb motion classification.第一版。电工实习。Eng。gydF4y2Ba67年,646 - 655。doi: 10.1016 / j.compeleceng.2017.04.003gydF4y2Ba
CrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
撒母耳,o·W。,Asogbon, m·G。耿,Y。陈,S。冯,P。,Chu一个ng,l。,et一个l. (2018a). “A novel time-domain descriptor for improved prediction of upper limb motion intent in EMG-PR system,” inIEEE 2018年第40届国际会议在医学和生物工程协会(EMBC)gydF4y2Ba皮斯卡塔韦,新泽西:IEEE 3513 - 3516。doi: 10.1109 / EMBC.2018.8513015gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
特卡奇,D。,Huang, H., and Kuiken, T. A. (2010). Study of stability of time-domain features for electromyographic pattern recognition.j . Neuroeng。Rehabil。gydF4y2Ba7,1-13。doi: 10.1186 / 1743-0003-7-21gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
Vujaklija,我。、淀粉、D。,和一个年代zmann, O. C. (2016). New developments in prosthetic arm systems..中国。牧师》。gydF4y2Ba8,31-38。doi: 10.2147 / ORR.S71468gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
惠顿,洛杉矶(2017)。“Neurorehabilitation上肢截肢:了解神经生理学的变化如何影响功能康复。gydF4y2Baj . Neuroeng。Rehabil。gydF4y2Ba14日,1 - 12。doi: 10.1186 / s12984 - 017 - 0256 - 8gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
年轻,a·J。,Hargrove, L., and Kuiken, T. (2011). The effects of electrode size and orientation on the sensitivity of myoelectric pattern recognition systems to electrode shift.IEEE反式。生物医学。Eng。gydF4y2Ba今年58岁,2537 - 2544。doi: 10.1109 / TBME.2011.2159216gydF4y2Ba
《公共医学图书馆摘要》gydF4y2Ba|gydF4y2BaCrossRef全文gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
关键字gydF4y2Ba:肌电图(EMG)、手指动作模式识别(PR),假体、信号记录时间(阶跃恢复二极管)gydF4y2Ba
引用:gydF4y2Ba李Asogbon MG,塞缪尔噢,Nsugbe E, Y, Kulwa F, Mzurikwao D,陈和李G(2023)确定最优肌信号记录时间基于模式识别假体控制。gydF4y2Ba前面。>。gydF4y2Ba17:1018037。doi: 10.3389 / fnins.2023.1018037gydF4y2Ba
收到:gydF4y2Ba2022年8月12日;gydF4y2Ba接受:gydF4y2Ba2023年1月27日;gydF4y2Ba
发表:gydF4y2Ba2023年2月22日。gydF4y2Ba
编辑:gydF4y2Ba
小毛风扇gydF4y2Ba、深圳科技大学,中国gydF4y2Ba版权gydF4y2Ba©2023 Asogbon,撒母耳,Nsugbe Li Kulwa Mzurikwao,陈和李。这是一个开放分布式根据文章gydF4y2Ba知识共享归属许可(CC)gydF4y2Ba。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。gydF4y2Ba
*通信:gydF4y2Ba威廉姆斯Oluwarotimi撒母耳,gydF4y2Ba
samuel@siat.ac.cngydF4y2Ba;Guanglin李gydF4y2Bagl.li@siat.ac.cngydF4y2Ba