[论文解读] 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 13

一句话总结

本论文提出了一种低成本、配备32个电极的表面肌电信号（sEMG）套袖，采用带孔结构的电极对齐方式，利用自然皮肤标志点确保电极位置的一致性。通过深度学习（74层网络），系统实现了在263天内稳定、同步、成比例地控制假肢的六个自由度，显著提升了灵巧性，得益于长时间内收集到的大规模、一致的数据集。

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.

研究动机与目标

• 解决因训练数据集小且不一致导致的肌电假肢灵巧性受限问题。
• 解决电极在不同会话中位置错位的问题，该问题会降低信号一致性与控制可靠性。
• 开发一种低成本、易于使用的肌电信号套袖，通过解剖学标志点实现可重复的电极定位。
• 证明通过一致的长期肌电信号数据采集，可实现鲁棒的深度学习模型，从而实现稳定、高灵巧性的假肢控制。

提出的方法

• 使用导电纱线和织物制作了带有32个单极表面肌电信号电极的定制套袖，电极通过嵌入的带孔结构与皮肤上的自然标志点（如痣和疤痕）对齐。
• 通过将带孔结构与这些持久存在的解剖学特征对齐，实现用户间和会话间电极位置的标准化，最大限度减少会话间变异性。
• 使用易获取的材料和简单的制作工艺，套袖在3小时内完成制作，成本低于60美元。
• 使用从套袖采集的肌电信号数据，训练74层深度神经网络，以解码六个自由度的同步且成比例的控制信号。
• 系统采用实时肌电信号处理，将肌肉活动映射为多关节假肢运动，延迟极低。
• 通过一位参与者连续263天的纵向数据采集，验证了模型在长时间内的稳定性和性能。

实验结果

研究问题

• RQ1 低成本、可穿戴的肌电信号套袖是否能通过一致的电极定位，在多次会话中实现可靠且可重复的表面肌电信号记录？
• RQ2 长时间内保持一致的肌电信号数据采集是否能显著提升深度学习模型在假肢控制中的性能？
• RQ3 基于此类数据训练的深度神经网络能否实现对肌电假肢六个自由度的稳定、同步且成比例的控制？
• RQ4 该套袖的信噪比和电极定位精度与传统肌电设置相比如何？
• RQ5 该系统是否能在长时间内（如初始训练后263天）保持高灵巧性和控制稳定性？

主要发现

• 肌电信号套袖的信噪比达到14，表明表面肌电信号记录质量高。
• 电极定位精度达到亚厘米级，确保了会话间电极位置的一致性。
• 穿戴套袖耗时不足11秒，实现了快速且可重复的准备过程。
• 系统在初始训练后263天内实现了六个自由度的稳定、同步且成比例的控制。
• 通过一致电极定位实现的长期数据采集，显著提升了基于深度学习的控制系统的灵巧性。
• 74层神经网络能够高可靠地从表面肌电信号中解码出复杂的多关节假肢运动。