[論文レビュー] Inexpensive surface electromyography sleeve with consistent electrode placement enables dexterous and stable prosthetic control through deep learning

Jacob A. George, Anna Neibling+2 more|arXiv (Cornell University)|Feb 28, 2020

Muscle activation and electromyography studies参考文献 8被引用数 13

ひとこと要約

本論文では、肌の自然なランドマーク（イボや傷など）を用いて電極の位置合わせを保証する、安価な32電極表面EMGスリーブを提案する。深層学習（74層ネットワーク）を用いることで、263日間にわたり安定的で同時かつ比例制御が可能な6自由度の人工肢制御を実現し、長期にわたる一貫した大規模データセットの収集により、著しく優れた機敏性を実現した。

ABSTRACT

The dexterity of conventional myoelectric prostheses is limited in part by the small datasets used to train the control algorithms. Variations in surface electrode positioning make it difficult to collect consistent data and to estimate motor intent reliably over time. To address these challenges, we developed an inexpensive, easy-to-don sleeve that can record robust and repeatable surface electromyography from 32 embedded monopolar electrodes. Embedded grommets are used to consistently align the sleeve with natural skin markings (e.g., moles, freckles, scars). The sleeve can be manufactured in a few hours for less than $60. Data from seven intact participants show the sleeve provides a signal-to-noise ratio of 14, a don-time under 11 seconds, and sub-centimeter precision for electrode placement. Furthermore, in a case study with one intact participant, we use the sleeve to demonstrate that neural networks can provide simultaneous and proportional control of six degrees of freedom, even 263 days after initial algorithm training. We also highlight that consistent recordings, accumulated over time to establish a large dataset, significantly improve dexterity. These results suggest that deep learning with a 74-layer neural network can substantially improve the dexterity and stability of myoelectric prosthetic control, and that deep-learning techniques can be readily instantiated and further validated through inexpensive sleeves/sockets with consistent recording locations.

研究の動機と目的

• 訓練データが小さく一貫性がないことが原因で、筋電義肢の機械的機敏性が制限されている問題に対処すること。
• セッション間での電極のずれが信号の一貫性と制御の信頼性を低下させることという課題を解決すること。
• 解剖学的ランドマークを用いて繰り返し可能な電極位置を保証する、低コストで使いやすいEMGスリーブを開発すること。
• 一貫した長期的なEMGデータ収集が、安定的で高機敏性な義肢制御に適した強固な深層学習モデルを実現できることを実証すること。

提案手法

• 導電性糸と生地を用いて作成したカスタムスリーブに、32電極の単極性表面EMG電極を内蔵し、イボや傷といった自然な皮膚のマーカーに合わせたゴムマシュマロ（グロメット）を配置する。
• 電極の配置を、ユーザー間およびセッション間で標準化するために、これらの持続的で明確な解剖学的特徴にグロメットを合わせることで、セッション間のばらつきを最小限に抑える。
• 入手しやすい材料と簡単な加工技術を用いて、3時間以内で60ドル未満でスリーブを製造可能である。
• スリーブから収集したEMGデータを用いて、74層の深層ニューラルネットワークをトレーニングし、6自由度の同時かつ比例制御信号を解釈する。
• リアルタイムのEMG信号処理を用いて、筋活動を最小限の遅延で多関節義肢運動にマッピングする。
• 1名の参加者を対象に263日間にわたる縦断的データ収集により、モデルの安定性と性能が長期にわたり保たれることを検証した。

実験結果

リサーチクエスチョン

• RQ1 一貫した電極配置を実現する低コストで着用可能なEMGスリーブは、複数回のセッションにわたり信頼性があり繰り返し可能な表面EMG記録を可能にするか？
• RQ2 長期にわたる一貫したEMGデータ収集は、義肢制御における深層学習モデルの性能を顕著に向上させるか？
• RQ3 このようなデータでトレーニングされた深層ニューラルネットワークは、筋電義肢において6自由度の安定的で同時かつ比例制御を達成できるか？
• RQ4 本スリーブのSNR（信号対雑音比）および電極配置の正確さは、従来のEMGセットアップと比較してどうか？
• RQ5 初期トレーニング後263日間という長期にわたり、高い機敏性と制御安定性を維持できるか？

主な発見

• EMGスリーブは14の信号対雑音比を達成し、高品質な表面EMG記録を示した。
• 電極配置の正確さは1cm未塔であり、セッション間での一貫した電極位置を保証した。
• スリーブの着用時間は11秒未塔であり、迅速かつ繰り返し可能なセットアップが可能であった。
• システムは、初期トレーニング後263日間、6自由度の安定的で同時かつ比例制御を実現した。
• 一貫した配置を保った長期的データ収集により、深層学習ベースの制御システムの機敏性が顕著に向上した。
• 74層のニューラルネットワークは、表面EMG信号から複雑な多関節義肢運動を高信頼性で効果的に解釈できた。