轉自 CAAI認知系統與信息處理專委會

多自由度 (multi-DOF) 身體運動的同步解碼已成為機器人技術和人機交互 (HMI) 的熱門話題。在生物醫學信号中，肌電信号（electromyogram，EMG）因其具有神經基礎和易用性而被廣泛接受解碼。根據 EMG 樣本是否被标記，基于 EMG 的多自由度運動解碼方法可以分為兩類：監督學習和無監督學習。無監督學習由非負矩陣分解的方法表示，其中 EMG 樣本在校準期間沒有其真實标簽。然而，矩陣分解後得到的激活系數矩陣在使用前必須手動校準。對于監督學習，主要有人工神經網絡（ANN）、支持向量回歸（SVR）和線性回歸（LR）等方法。随着人工智能的興起，深度學習 (DL) 方法，如卷積神經網絡 (CNN)，開始顯示其在運動解碼方面的優勢。這些基于深度學習的方法的一個優點是它們可以直接從原始 EMG 信号中提取隐含特征；而在傳統上，特征選擇必須通過繁重的、重複的工作手動完成。對于準确性，對手勢分類和 2-DOF 運動解碼的研究表明 CNN 模型具有競争力。從魯棒性的角度來看，基于CNN的方法經過海量數據的訓練，對不确定性（個體差異、長期變化等）具有很強的泛化能力。

本文提出了一個基于 DL 的多自由度運動解碼框架，其中包括一個用于 3D 運動預測的輕量級 CNN 模型、數據增強策略以增加模型的泛化能力，以及一個微調政策以提高模型的長期适應性。手腕對操作靈巧性很重要，因此将 3D 手腕運動作為解碼目标來評估該方法。肌電解析的結果可以直接應用于假肢控制。此外，CNN 模型及其微調和訓練策略也可以應用于一些工業場景，如機器人遙操作和人機交互。

解碼模型在執行多自由度操作的機器人操縱器上進行了測試。通過集成iiwa 14（KUKA，7-DOF）和自主開發的假手（HITAPH5，6-DOF），手/臂系統可以完成各種各樣的人類日常生活活動（ADL）在遙操作（主從模式）下。在平台上，操作者需要以固定的抓握模式同步控制手的位置/姿勢（六個自由度）和光圈（一個自由度）。考慮到解碼模型隻能實現 3-DOF 控制，在操作員的肘部安裝了磁位置跟蹤器（Flock of Birds，Ascension Technologies，德國），用于映射 3D 姿态，将人手置于假手的位置。因此，實驗中，隻需要在線調節假手的姿勢（三個自由度）和孔徑（一個自由度）。由于在實驗中需要調整手的孔徑（用于抓取），解碼模型中的一個手腕 DOF（Fle-Ext 或Add-Abd，根據任務）被映射到手的打開/關閉和手的物理自由度機械手設置為空閑。機器人平台如下圖所示。

截肢者測試的一系列視頻幀如下圖所示。初步結果表明，截肢者可以随意精确地操縱虛拟手的任何單個自由度。解碼結果的曲線比之前的實驗更平滑，因為這裡使用了微調策略來校準模型，并且大部分運動是單自由度。結果還表明，由于截肢曆史較長（14 年），截肢者在進行某些 3 自由度手腕運動時感到困難。潛在的解決方案包括在系統中引入視覺/觸覺反饋和進行長期運動康複訓練，以重建丢失身體部位的身體模式。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!