目的:力肌电图(FMG),它测量收缩肌肉施加的表面压力轮廓,已被提出作为一种替代肌电图(EMG)的人机界面。虽然基于FMG模式识别的控制系统已经产生了更高的离线分类精度,但相对较少的工作已经检查了FMG的实时控制的可用性。在这项工作中,我们使用分类和回归控制器对基于肌电图和FMG的方案进行了全面的比较。方法:共20名参与者采用基于FMG和emg的分类和回归控制方案进行双自由度Fitts定律式虚拟目标获取任务。性能评估基于标准的Fitts定律测试指标,吞吐量、路径效率、平均速度、超时次数、超调、停止距离和同时性。结果:基于FMG的分类系统在吞吐量(0.902±0.270)和(0.751±0.309)、(ρ<0.001)和路径效率(87.2±8.7)和(83.2±7.8)、(ρ<0.00)方面都显著优于基于肌电图的分类系统。同样,基于FMG的回归在吞吐量上显著优于吞吐量(0.871±0.2)和(0.69±0.3)、(ρ<0.001)。结论:无论使用哪种控制器,基于FMG的方案都优于基于肌电图的方案。这为FMG作为人机界面肌电图的可行替代方案提供了进一步的证据。意义:本工作描述了使用序列分类和同时回归控制的FMG-和EMG基于控制的在线可用性的综合评估。
介绍
对上肢假体的控制方式的选择和适用性取决于控制输入的数量和被控制设备的复杂性。随着多自由度设备的可用性,模式基于识别的肌电控制系统,能够直观地控制多个自由度的[1]-[3],现在正在成为临床最先进的技术。
尽管在修复术领域非常关注肌电图,但力肌电图(FMG)也被提出作为一种可能的人机界面[4]-[6]。FMG没有使用收缩过程中产生的电活动,而是使用力感应元件来测量皮肤表面(或皮肤-窝界面)的压力分布。这些压力曲线随着收缩量的变化而变化,而在离线研究[2]中,FMG已被证明比基于肌电图的系统产生更高的分类精度。例如,Radmand等人研究了高密度FMG(hd-FMG)系统,在8类实验中获得了99.7%的分类准确率。
由于必要的仪器的成本、舒适性和复杂性,通常使用超过8个的肌电传感器被认为是不切实际的,但力传感器可以轻松而廉价地单独或在一个阵列中制造。因此,力传感电阻(FSRs)被常用于涉及FMG[5],[7]-[10]的研究,因为它们是一种廉价和通用的力传感选择。其他电阻式[11]、气动[12]和基于光学[13]的压力传感器也已进行了评估。这些系统的传感器计数范围从仅为8个传感器[14]到压敏元件[6]的高密度网格,甚至是同时收集肌电图和FMG数据[11]的系统。
鉴于其适度的研究重点与肌电信号,FMG模式识别尚未部署临床,尽管它可能构成潜在优势肌电图,因为它是一个自然过滤信号,它需要更复杂的仪器和更低的采样率更随机和更高带宽的肌电信号。它已被证明面临着与肌电图类似的挑战,尽管类似的缓解方法已被证明是有益的。例如,当使用多个位置或合并动态肢体位置[6],[15]时,提高了对肢体位置变化的鲁棒性。
在肌电图研究中,两种不同的控制模式在基于模式识别的控制领域被广泛主导。第一种是基于分类的控制方案,它已经研究了使用表面[16]、肌内[17]和组合肌电信号[18],并将特征空间划分为不同的类别。另外,基于回归的方法连续地将控制输入映射到多个自由度(DoF)中的位置或速度空间。回归方法已经被广泛的基于肌电图的系统研究在过去的十年中,同时使用离线指标和实时可用性测试[15],[19]-[21]。FMG回归控制研究主要集中在预测能力预测握力或在一个自由度[22]如手腕旋前/旋后,尽管一些预测扭矩在三个自由度用于人机接口[23],[24]。
然而,高分类精度,如在之前的研究中获得的,并不能保证基于FMG的设备的实时使用具有鲁棒性。2005年,Lock等人[25]发现,在虚拟功能测试中,基于肌电图的模式识别显示出离线分类精度与完成时间之间的相关性较低。这在一定程度上是因为可用性涉及多个因素,包括反馈[26]-[28],对任务本身的理解[30],[31],动态,如比例控制[32],[33],以及长期信号稳定性和可重复性[34],[35]。类似地,ortiz-加泰罗尼亚等人提出,离线的准确性甚至可能误导[35]。
尽管在之前的FMG研究[6],[36]-[39]中显示了高离线分类精度很有前途,但实时可用性仍然很大程度上未被探索。在这项工作中,我们使用分类和基于回归的控制器对实时目标获取任务中基于EMGs和FMG的模式识别进行了直接比较。
方法
参与者
20名右撇子,身体健全的参与者参加了这项研究(19名男性,1名女性,平均年龄29.55岁,±9.77岁)。所有参与者都提供了知情同意,由新不伦瑞克大学的研究伦理委员会(REB#2015-133)批准,根据加拿大三委员会关于涉及人类的研究的伦理行为的政策声明。
实验规则
参与者舒适地坐着,用肘部和手腕放在扶手上,还有手腕和手的约束,以限制手臂的任何意外运动,如图1所示。
所有的视觉提示和数据收集都是使用自定义的MATLAB图形用户界面完成的,该界面在其前面的屏幕上显示视觉目标和由参与者控制的光标,如图2[40]所示。
对于基于肌电图和FMG的系统,分类和回归控制方法的研究如下所述。在分类训练中,我们获得了5类运动(手腕旋前/旋后、手打开/关闭和无运动休息类)的数据。对于每个活动类,收集4个4秒的训练重复,让用户产生动态收缩,强度匹配一个基于屏幕的正弦提示,从休息开始,增加到一个峰值收缩,然后逐渐减少回到休息。这个正弦提示符可以作为分类(方向)和回归(方向和振幅)[41]的目标。为了进行回归,通过在拮抗剂运动对(手腕旋前和手打开/关闭)之间振荡,为每个自由度训练一个独特的回归变量。这些回归训练过程每次持续8秒,以确保两种控制方案之间的训练数据量相同。
DMG数据处理
使用8个UNB智能电极[42]袖带收集肌电号。信号在60赫z进行模拟陷波滤波,使用三阶巴特沃斯滤波器在20-450赫兹之间进行带通滤波,并在1000赫兹进行采样。袖带被放置在受试者的前臂周围,大约是从肘部到手腕的距离的三分之一。
从160 ms重叠16 ms的窗口中提取肌电图特征。提取Hudgins等人[43]提出的共同时域特征集(平均绝对值、波形长度、零交叉、斜率符号变化)来代表肌电图数据进行分类。对于分类系统,利用从所有五类中提取的特征训练具有线性核的支持向量机(SVM)分类器,通过平均绝对值(MAV)方法[44]进行比例控制。对于回归情况,为两个自由分别训练了一个单独的支持向量回归(SVR)模型。提取与分类情况相同的TD特征,并以视觉提示作为训练目标对模型进行训练。在每种情况下,来自其他自由度的主动数据被重新标记,并在训练中纳入休息,以减少潜在的无意共激活(例如,手腕旋前的时间被包括在手开/关闭自由度的训练中,但标记为无运动)[22],[45]。
FMG数据处理
FMG信号是使用由智能皮肤技术公司(弗雷德里克顿,新不伦瑞克)提供的三个高密度力传感器板组成的定制插座来收集的。16个×24个传感器元件的栅格与[6]中使用的网格相似,但具有更高的分辨率(由于可用性)。传感器网格被粘在一个热固性塑料袖套内(大致适合平均前臂大小,有一定的灵活性以适应一系列受试者),并锚定在前臂近端。智能皮肤板包括他们自己的内部采样系统,并通过蓝牙以15hz的速率传输完整的传感器值。
虽然FMG袖口总共包含384个传感器元件,但之前已经证明[6]有很多传感器是不必要的。因此,只使用了6个连续的圆周行(总共144个传感器)来避免使用远端行或那些被插座匹配[46]影响的行。以回归目标为选择标准,按主题(采用r2相关系数进行行选择。与肌电图是随机的和高度可变的不同,FMG信号被机械过程自然过滤。因此,原始压力传感器的输出可以直接用于作为FMG分类的特征。在肌电图的情况下,使用基于FMG的分类系统的5类运动来训练SVM分类器。同样,我们使用了与前面描述的肌电图相同的方法来训练相应的基于FMG的回归系统。
基于FMG的比例控制
基于实时肌电图分类的控制是通过将分类器输出与通常报告的比例控制方案(所有通道的平均绝对值的平均值)[31]配对来实现的。对于FMG,这种传统的方法是不够的,因为平均FMG值并不随收缩强度[46]而单调增加。虽然是平均振幅FMG通道对某些运动(主要表现出手臂周围压力的均匀增加)产生了合理的近似,其他运动表现出收缩水平和记录在某些通道上的压力之间的反比关系(肌肉向内收缩)。
在[46]中,引入了一种基于FMG信道值的线性组合的类特定比例控制方案。类似的类别特异性方法也被报道对肌电图[47]有益。该方法通过以分类器训练数据和相应视觉提示的振幅作为回归目标,训练特定类的SVR回归模型来实现。通过这种方式,比例控制输出在Fitts定律风格检验中使用与当前识别的FMG类对应的类特定的回归模型进行计算。图3展示了该方法的一个性能实例。
性能鉴定
在目标采集测试中,使用吞吐量、路径效率、超时次数、超调、停止距离和平均速度来评估性能,如之前在[16]、[41]、[48]、[49]中报道的那样。对于基于回归的控制任务,还采用了一个额外的度量-运动的同时性,如下定义。
…
…
结果
目标获取轨迹
图中。4和5展示了一个有代表性的没有经验的参与者在为每种控制类型的4次试验中获得提示目标时所走过的路径的例子。请注意,测试的旋转元素,如图2所示,在这里被映射到水平轴上,以便更容易地可视化时间序列。垂直轴表示与Fitts测试相同的垂直运动(手开/关闭)。另外,请注意,每个图都显示了在四次试验中叠加在一起的各种fitts的目标。图中。4(a)和5(a)分别展示了EMG和FMG基于分类基础的控制的顺序行为,而图。4(b)和5(b)演示了与基于回归的控制器部分使用同时激活。