[论文解读] 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 3

一句话总结

本文提出了一种功能可变系数模型，利用历史表面肌电图（EMG）信号作为功能型预测变量，预测假体手部的指节和腕部速度，通过随当前肢体位置变化的双变量系数函数引入生物力学约束。主要贡献是SAFE-gLASSO方法，一种两步功能型变量选择程序，实现了高预测精度与极低的假阳性率，从而实现假体肢体的实时、可解释控制。

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.

研究动机与目标

• 通过利用前臂表面肌电图（EMG）信号的时间动态特性，开发一种更直观、更精确的假体手部控制方法。
• 克服现有模式识别方法忽略生理约束、易过拟合，且将EMG数据简化为汇总特征的局限性。
• 构建一种简洁、可解释的模型，反映EMG信号对运动影响的动态变化，具体取决于当前肢体位置。
• 开发一种新型变量选择方法SAFE-gLASSO，以低假阳性率识别最相关的EMG信号。
• 实现实时、直接的模型部署，减少后处理，适用于机器人假体系统。

提出的方法

• 将EMG信号表示为功能型协变量，采用系数函数依赖于当前手指/腕部位置的可变系数功能线性模型。
• 使用丰富的基展开的张量积表示双变量系数函数，以捕捉复杂、非线性的关系。
• 应用多维平滑与稀疏性惩罚的组合，以估计功能型系数，同时保持模型简洁性。
• 开发一种两步顺序自适应功能经验组LASSO（SAFE-gLASSO）程序进行变量选择，根据EMG信号组的预测贡献度进行优先排序。
• 采用数据分割方法评估预测性能并验证模型泛化能力。
• 使用交叉验证选择惩罚估计的调优参数，确保拟合度与稀疏性之间的最优平衡。

实验结果

研究问题

• RQ1 是否可通过引入生物力学约束的功能可变系数模型，提升基于EMG的假体控制中的预测精度？
• RQ2 当EMG信号为连续、高维曲线而非标量预测变量时，如何有效执行功能型变量选择？
• RQ3 SAFE-gLASSO方法是否在识别真正相关的EMG信号方面优于标准组LASSO及其他变量选择技术，且假阳性率极低？
• RQ4 当功能型预测变量存在测量误差或在稀疏网格上观测时，模型的预测性能在多大程度上仍保持稳健？
• RQ5 所选EMG信号与估计的功能型系数是否可直接用于实时假体控制系统的实现？

主要发现

• SAFE-gLASSO在一名正常人受试者中成功识别出对指节和腕部运动至关重要的少数EMG信号，且假阳性可忽略不计。
• 估计的功能型系数函数具有相对稀疏性且可解释，反映了肌肉活动与关节运动之间已知的生理关系。
• 该模型在数值研究中表现出卓越的预测性能，显著优于标准选择方法。
• 即使在功能型预测变量由噪声或稀疏数据估计时，该方法仍保持强大的变量选择准确性，表明对测量误差具有鲁棒性。
• 最终模型仅需极少数据处理即可实现实时预测，适用于直接部署于机器人假体系统。
• 该方法可扩展至多变量功能型系数，并可调整以考虑EMG效应在不同姿势下的变化。