[論文レビュー] A Comparison of Amputee and Able-Bodied Inter-Subject Variability in Myoelectric Control

Evan Campbell, Jason S. Chang+2 more|arXiv (Cornell University)|Mar 7, 2020

Muscle activation and electromyography studies参考文献 13被引用数 10

ひとこと要約

本研究では、38種類の一般的なジェスチャーを実行した20名の健全な四肢を有する被験者と10名の橈骨部切断者から得られたEMGデータを用いて、義手制御パターンの電気筋活動（myoelectric control patterns）を切断者と健常者で比較した。非監視型クラスタリングと線形分類を用いた分析の結果、切断者と健常者のEMGパターンは明確に異なるクラスタを形成したが、切断者では被験者間の変動が著しく高いことが判明し、臨床的実用性を持つクロスユーザー型myoelectric義手の開発には健常者のデータだけでは不十分であることが示された。

ABSTRACT

Despite decades of research and development of pattern recognition approaches, the clinical usability of myoelectriccontrolled prostheses is still limited. One of the main issues is the high inter-subject variability that necessitates long and frequent user-specific training. Cross-user models present an opportunity to improve clinical viability of myoelectric control systems by leveraging existing data to shorten training. However, due to the difficulty of obtaining large sets of data from amputee populations, data from intact-limbed subjects are often supplemented when building cross-user models; which may not translate well to clinical usability. In this preliminary study, the differences between intact-limbed and amputee cross-user electromyography (EMG) patterns were examined. Previously collected EMG data from 20 intact limbed and 10 amputee subjects for different wrist, finger, and grasping gestures were analysed. Results using unsupervised clustering showed that amputees were consistently grouped into a different cluster than intact-limbed subjects and that additional clustering into more subgroups found larger differences between amputees than able-bodied subjects. Furthermore, a simple linear classifier was able to discriminate between able-bodied and amputee subjects using EMG from multiple gestures with 90% accuracy. These results suggest that using able-bodied subject data alone may be insufficient to capture the necessary inter-subject variance when designing cross-user myoelectric control systems for prosthesis control.

研究の動機と目的

• 切断者と健常者におけるmyoelectric制御パターンが有意に異なるかどうかを調査すること。
• 健常者のデータを用いて、切断者向けのクロスユーザー型myoelectric制御システムを訓練可能かどうかを評価すること。
• クラスタリングおよび分類手法を用いて、両集団におけるEMGパターンの被験者間変動を定量化すること。
• 切断者のEMGパターンが均一なサブグループに分類可能かどうか、または健常者と比較して変動がより高いかどうかを特定すること。

提案手法

• 20名の健全な四肢を有する被験者と10名の橈骨部切断者から、2000 Hzのサンプリングレートで12個のDelsys Trignoエレクトロードを用いて表面EMGデータを収集した。
• 50 Hzの電源周波数ノイズを除去するためのハマップフィルタを用いてデータを事前処理し、一般化尤度比アルゴリズムを用いて誤った運動ラベルを補正した。
• 100 msのインクリメントで重複200 msのウィンドウから、ヒュジンズの時間領域EMG特徴量（MAV, WL, ZC, SSC）を抽出した。
• EMG特徴量パターンに基づいてサブグループを同定するために、平均リンクアージェンシーとユークリッド距離を用いた階層的クラスタリング分析（HCA）を適用した。
• 全ジェスチャーにわたるEMG特徴量に基づいて、切断者と健常者を分類する線形分類器を用いた。
• 10分割交差検証を用いて分類精度を評価し、被験者およびジェスチャー全体で平均、最小、最大の精度を報告した。

実験結果

リサーチクエスチョン

• RQ1 切断者と健常者のmyoelectric制御パターンは、特徴空間において明確に分離されたクラスタを形成するか？
• RQ2 EMGパターンの被験者間変動は、切断者において健常者よりも高いか？
• RQ3 複数のジェスチャーからのEMG信号に基づいて、線形分類器が切断者と健常者を正確に識別できるか？
• RQ4 切断後の年数、残存前腕長、または切断原因といった臨床的特徴は、EMGパターンの差異と相関しているか？
• RQ5 非監視型クラスタリングは、潜在的な生理的または行動的差異を反映する、切断者集団内の意味のあるサブグループを同定できるか？

主な発見

• 非監視型階層的クラスタリングにより、20名の健常者を含む1つのクラスタと10名の切断者を含む別のクラスタが明確に識別された。これは、EMGパターンに根本的な差異があることを示している。
• クラスタ数を3〜5に拡張した場合、切断者群はさらにサブグループに分割されたが、健常者群はほとんど変化せず、切断者に著しい被験者間変動があることが示された。
• 線形分類器は、複数のジェスチャーからのEMG特徴量を用いて、切断者と健常者を90%の精度で区別できた。全被験者および全運動における平均精度は66%であり、これは偶然の確率（66%）と一致した。
• 被験者間変動が最も高い切断者サブグループには、事前にmyoelectric義手を使用した経験のある被験者が含まれており、学習や適応がEMGパターンの差異に寄与している可能性がある。
• 被験者A4（切断者）は、MAVやWLといった振幅に基づく特徴量の値が最も高く、ZCやSSCといった複雑性に基づく特徴量の値が最も低かった。高いばらつきはノイズや不規則な収縮の影響である可能性がある。
• クラスタ1D（4名の切断者）は、振幅に基づく特徴量が最も低く、複雑性および周波数に基づく特徴量が最も高かった。このクラスタには事前にmyoelectric義手を使用した被験者が含まれており、行動的または神経筋的適応の影響がある可能性がある。