[论文解读] 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 10

一句话总结

本研究通过20名健全肢体个体和10名经桡侧截肢者在执行38种常见手势时采集的肌电信号（EMG）数据，比较了截肢者与健全个体的表面肌电信号控制模式。采用无监督聚类和线性分类方法，发现截肢者与健全个体的EMG模式形成明显不同的聚类，且截肢者表现出显著更高的个体间变异性，表明仅使用健全个体数据不足以开发出临床可行的跨用户肌电信号假肢控制系统。

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.

研究动机与目标

• 探究截肢者与健全个体的肌电信号控制模式是否存在显著差异。
• 评估利用健全个体数据训练截肢者跨用户肌电信号控制系统的可行性。
• 通过聚类与分类技术量化两组人群在EMG模式上的个体间变异性。
• 确定截肢者的EMG模式是否可被划分为同质子组，或是否表现出高于健全个体的变异性。

提出的方法

• 使用12个Delsys Trigno表面电极，以2000 Hz采样率，从20名健全肢体个体和10名经桡侧截肢者采集表面EMG数据。
• 采用Hampel滤波器预处理数据，以去除50 Hz工频干扰，并利用广义似然比算法校正错误的运动标签。
• 从200 ms重叠窗口（100 ms增量）中提取Hudgins时域EMG特征（MAV、WL、ZC、SSC）。
• 应用基于组平均链接和欧几里得距离的层次聚类分析（HCA），根据EMG特征模式识别子组。
• 使用线性分类器基于所有手势的EMG特征，区分截肢者与健全个体。
• 采用10折交叉验证评估分类准确率，并报告所有受试者和手势的平均、最小和最大准确率。

实验结果

研究问题

• RQ1 截肢者与健全个体的肌电信号控制模式在特征空间中是否形成明显不同的聚类？
• RQ2 截肢者在EMG模式上的个体间变异性是否高于健全个体？
• RQ3 基于多个手势的EMG信号，线性分类器能否准确区分截肢者与健全个体？
• RQ4 临床特征（如截肢年限、残余前臂长度或截肢原因）是否与EMG模式差异相关？
• RQ5 无监督聚类能否识别出反映潜在生理或行为差异的截肢者人群有意义子组？

主要发现

• 无监督层次聚类识别出两个明显子组：一组包含全部20名健全个体，另一组包含全部10名截肢者，表明EMG模式存在根本性差异。
• 当聚类扩展至3–5个子组时，截肢者组被进一步划分为子组，而健全个体组基本保持完整，表明截肢者具有更高的个体间变异性。
• 线性分类器利用多手势EMG特征，在区分截肢者与健全个体方面达到90%的准确率，所有受试者和动作的平均准确率为66%（随机水平：66%）。
• 个体间变异性最高的截肢者子组中包含曾使用肌电信号假肢的受试者，表明学习与适应可能促成EMG模式差异。
• 受试者A4（截肢者）表现出最高的基于振幅的特征值（MAV、WL），但基于复杂度的特征（ZC、SSC）最低，其高方差可能源于噪声或不一致的肌肉收缩。
• 聚类1D（4名截肢者）表现出最低的基于振幅的特征，但具有最高的复杂度与频率特征，且包含曾使用肌电信号假肢的受试者，表明可能存在行为或神经肌肉适应效应。