FMG简介
力肌成像也叫做残余动力学成像(residual kinetic imaging, RKI)或肌肉压力测绘(muscle pressure mapping, MPM)
FMG是一种非侵入性技术,使用force sensitive resistors(FSRs)技术,将其放置在手臂的表面,检测潜在的肌腱符合体(musculotendinous complex, MC)的体积变化。FMG的基本原理类似于临床医生用于识别肢体不同肌肉的触诊技术,当我们运动不同手指时,可以摸得到前臂的肌肉发生了不同的变化。将传感器放置在手臂上时,手臂的MC刚度越强,传感器检测到的压力就越强。
FMG有可能提供更高的预测准确性,长期稳定性 ,耐磨性和成本承受能力
人们对FMG技术的发展越来越感兴趣
FMG采集
FMG研究的一个关键方面是,如何将MC刚度的变化转换为数组数据进行处理。
首先需要以模拟信号的形式记录信息,然后将这些信号转换为数字信息 。
大多数FMG传感器是基于电阻式聚合物厚膜(RPTF)技术,其中包括力传感器电阻(FSR),Flexiforce传感器和其他定制的RPTF传感器阵列和矩阵;其余的还包括启动、压电、电容性光纤和基于纺织品的传感器。
不同传感器类型的百分比
使用机器学习技术预测肢体动作
为了生成机器学习模型来预测肢体动作,经常使用有监督的机器学习技术,监督方法需要训练集,该训练集与已知动作相关。使用手机的数据集,然后使用机器学习算法来生成模型,该模型将预测结果与真实值之间的差异最小化。机器学习算法分为两类,一种称为分类,用于预测离散模型(比如手势),另一类称为回归,用于预测连续参数,例如手指运动。
线性判别分析(Linear Discriminant Analysis, LDA)是一种相对简单的学习算法,也具有相当的精度;
支持向量机(Support Vector Machine, SVM)是一种对输入数据进行训练后进行分类的有效算法,对于FMG的应用,多篇论文中证明有着比别的方法更优越的性能,为了获得高性能,需要使用交叉验证的方法对某些超参数进行微调,这是一个计算量很大的过程。
还有一种就是人工神经网络使用带有梯度下降技术的反向传播来迭代学习每个节点的关联权重,跌迭代的过程循序批量学习。ANN的隐藏层的配置和数量具有高度可配置性,当存在多个隐藏层时,我们通常使用深度神经网络(DNN)
开发过程中的挑战
硬件上:影响提取信号可靠性的两个主要因素是传感器特性和设备配置,硬件开发的主要挑战是开发一种可以一次长时间提取可靠的FMG信号的设备。
目前大多数使用RPTF技术的传感器提取信号,这样的传感器很难将传感器的读书与肌肉刚度直接联系起来;而且随着穿戴者的每次穿戴,很难保证每一次都在相同的位置和相同的压力下准确穿戴传感器(所以每次开始前都需要校准一下)
软件上:假设已经拥有较好的硬件来提取可靠的FMG信号,我们仍需要对齐进行处理以获得可靠的结果。
由于受试者之间身体状况的不同和不同活动期间身体肌肉状态的变化(比如疲劳,这一点可以通过监控皮肤温度、汗液或sEMG创拿起评估劳累程度,从而调整模型参数)。
比较好的一种方法就是从不同年龄段、不同身体状况的用户中获取大量数据,并研究这些因素与FMG模型之间的关系。有望使用深度学习算法发挥FMG预测肢体活动的潜力
总结
FMG的发展近年来持续受到更多的关注,使用FMG或者将其与sEMG结合或许可以获取精度更高的手势识别分类模型。
参考:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6832981/
https://www.frontiersin.org/articles/10.3389/fbioe.2016.00018/full