[論文レビュー] Functional Variable Selection for EMG-based Control of a Robotic Hand Prosthetic

Nazmul Islam, Jonathan D. Stallings+4 more|arXiv (Cornell University)|May 8, 2018

EEG and Brain-Computer Interfaces参考文献 2被引用数 3

ひとこと要約

本稿では、現在の肢位に応じて変化する二変量係数関数を用いて生物学的力学的制約を組み込むことで、歴史的EMG信号を関数的予測子として用い、ロボット手部補綴具における指および手首の速度を予測する関数的可変係数モデルを提案する。主な貢献は、予測精度が高く、誤検出が最小限に抑えられる二段階の関数的変数選択手順であるSAFE-gLASSOであり、これによりリアルタイムで解釈可能な補綴肢の制御が可能になる。

ABSTRACT

State-of-the-art robotic hand prosthetics generate finger and wrist movement through pattern recognition (PR) algorithms using features of forearm electromyogram (EMG) signals, but re- quires extensive training and is prone to poor predictions for conditions outside the training data (Peerdeman et al., 2011; Scheme et al., 2010). We propose a novel approach to develop a dynamic robotic limb by utilizing the recent history of EMG signals in a model that accounts for physiological features of hand movement which are ignored by PR algorithms. We do this by viewing EMG signals as functional covariates and develop a functional linear model that quantifies the effect of the EMG signals on finger/wrist velocity through a bivariate coefficient function that is allowed to vary with current finger/wrist position. The model is made par- simonious and interpretable through a two-step variable selection procedure, called Sequential Adaptive Functional Empirical group LASSO (SAFE-gLASSO). Numerical studies show excel- lent selection and prediction properties of SAFE-gLASSO compared to popular alternatives. For our motivating dataset, the method correctly identifies the few EMG signals that are known to be important for an able-bodied subject with negligible false positives and the model can be directly implemented in a robotic prosthetic.

研究の動機と目的

• 前腕の筋電図（EMG）信号の時間的ダイナミクスを活用することで、より直感的で高精度なロボット手部補綴肢の制御システムを開発すること。
• 従来のパターン認識手法が生理的制約を無視し、過剰適合を起こし、EMGデータを要約特徴にまで簡略化するという限界を克服すること。
• 現在の肢位に応じてEMG信号の影響が変化することを考慮した、単純で解釈可能なモデルを構築すること。
• 真に関連するEMG信号を低誤検出率で特定する新しい変数選択手法、SAFE-gLASSOを開発すること。
• 最小限の後処理で済むように、モデルを直接リアルタイムの補綴肢制御システムに実装可能にする。

提案手法

• EMG信号を関数的予報子として扱い、係数関数が現在の指・手首の位置に依存する可変係数関数線形モデルを用いる。
• 複雑な非線形関係を捉えるために、豊富な基底展開のテンソル積を用いて二変量係数関数を表現する。
• 関数的係数の推定時にモデルの単純性を保つために、多次元平滑化とスパarsityペナルティを併用する。
• 予測寄与度に基づいてEMG信号のグループを段階的に優先順位付けする、二段階の逐次的適応的関数的経験的グループLASSO（SAFE-gLASSO）手順を開発する。
• 予測性能の評価とモデルの汎化能力の妥当性を検証するために、データ分割を用いる。
• 罰則付き推定のチューニングパラメータを決定するために交差検証を用い、適合性とスパarsityの最適なバランスを確保する。

実験結果

リサーチクエスチョン

• RQ1 生物学的力学的制約を組み込んだ関数的可変係数モデルは、EMGに基づくロボット補綴肢制御における予測精度を向上させることができるか？
• RQ2 EMG信号がスカラー予報子ではなく連続的・高次元的な曲線である場合、関数的変数選択を効果的に行うにはどうすればよいか？
• RQ3 SAFE-gLASSO手法は、誤検出を最小限に抑えつつ真に関連するEMG信号を特定する点で、標準的グループLASSOや他の変数選択手法を上回るか？
• RQ4 関数的予報子が測定誤差を伴うか、スパarsなグリッド上で観測された場合でも、モデルの予測性能はどの程度頑健に保たれるか？
• RQ5 選択されたEMG信号と推定された関数的係数は、リアルタイムの補綴肢制御システムに直接実装可能か？

主な発見

• SAFE-gLASSOは、健常被験者における指および手首運動に不可欠なEMG信号を、誤検出をほとんど認めない状態で的確に同定した。
• 推定された関数的係数関数は比較的スパースで解釈可能であり、筋活動と関節運動の既知の生理学的関係を反映していた。
• 数値実験において、標準的手法よりも顕著に優れた予測性能を示した。
• 関数的予報子がノイズ混在またはスパースなデータから推定された場合でも、変数選択の正確性を維持しており、測定誤差に対して頑健であることが示された。
• 最終的なモデルは、リアルタイム予測に最小限のデータ処理で対応でき、ロボット補綴肢制御システムへの直接実装に適していた。
• 本手法は多変量関数的係数へ拡張可能であり、EMG効果の姿勢依存変化に対応するように適合可能である。