Professional Documents
Culture Documents
Abstracs
Abstracs
EMG provides intuitive control of more prosthetic functions using physiologically appropriate
contractions (Hudgins et al., 1993; Englehart and Hudgins, 2003; Kuiken et al., 2009; Li et al.,
2010; Khushaba et al., 2012). Using extrinsic hand muscles, pattern recognition has been used
to effectively classify functional hand-grasp patterns (Li et al., 2010) and even individual finger
movements (Tenore et al., 2007; Khushaba et al., 2012), although these previous studies were
focused on restoring hand function in trans radial amputees. Partial-hand amputees generally
still have an intact, functional wrist, and the muscles controlling wrist motion are also located
in the forearm, some superficially. EMG from wrist movements thus degrades the accuracy of
classifiers that rely only on extrinsic muscle EMG. Some studies have addressed this by
switching between models based on the current wrist position (Pan et al., 2014), but this
requires either a parallel classifier or additional instrumentation on the affected hand in order
to determine the wrist position in real-time. Adding classifier training data collected from
various wrist positions lessens, but does not eliminate, this effect (Adewuyi et al., 2015). Our
study expanded upon the results of previous work (Earley et al., 2014) by investigating the
interaction and simple main effects of EMG electrode placement and inclusion of EMG data
collected during different types of wrist movements; these results were used to set the
parameters of the real-time controller. Several techniques may improve classification accuracy,
such as providing more data by extracting EMG features from a longer window (Smith et al.,
2011). However, longer data windows result in an increased delay between the onset of the
intended movement and intent recognition, which has a negative effect on real-time
performance (Farrell and Weir, 2007). Accuracy can also be improved by making fewer classes
available to the classifier. Although this generally decreases the complexity of the classification
problem, it may not be as functionally useful for the patient. However, because current
myoelectric partialhand prostheses cannot switch between grasps without first being fully-
opened, we subdivided grasping tasks into two modes: grasp selection, which we define as the
initial choosing of a prehensile grasp, and grasp maintenance, which only has the option of
opening or closing the hand.
acomodar los movimientos residuales de la muñeca. En los ensayos fuera de línea, nosotros
las tasas más bajas de error de clasificación fuera de línea. También probamos la hipótesis
que, para el control de la prótesis en tiempo real, utilizando (1) una ventana doble
Aunque los amputados de mano parcial conservan en gran medida la capacidad de usar la
muñeca, es difícil preservar el movimiento de la muñeca mientras se usa una prótesis
mioeléctrica de mano parcial sin que ello afecte gravemente al rendimiento del control. El
reconocimiento de patrones de electromiograma (EMG) es un método de control bien
estudiado; sin embargo, el EMG del movimiento de la muñeca puede ocultar las señales
mioeléctricas de control de los dedos. Por lo tanto, para acomodar el movimiento de la
muñeca y proporcionar una alta precisión de clasificación y minimizar la latencia del sistema,
desarrollamos un protocolo de entrenamiento y un clasificador que cambia entre longitudes
de ventana de análisis de EMG largas y cortas.
Diecisiete sujetos no amputados y dos sujetos con amputación parcial de la mano participaron
en un estudio para determinar los efectos de la inclusión de EMG de diferentes ubicaciones de
brazos y manos durante el movimiento estático y/o dinámico de la muñeca en los datos de
entrenamiento del clasificador. Evaluamos varias técnicas de clasificación en tiempo real para
determinar qué esquema de control producía el mayor rendimiento en tareas virtuales en
tiempo real usando un ANOVA de tres vías.
La precisión también puede mejorarse poniendo menos clases a disposición del clasificador.
Aunque esto disminuye en general la complejidad del problema de la clasificación, puede no
ser tan útil desde el punto de vista funcional
para el paciente. Sin embargo, debido a que las actuales prótesis mioeléctricas de mano parcial
no pueden cambiar entre agarres sin ser primero completamente abierto, subdividimos las
tareas de agarre en dos modos: agarre selección, que definimos como la elección inicial de un
prensil
Durante la selección de agarre, el clasificador debe seleccionar de todas las clases posibles que
consisten en N agarres, mano abierta y sin movimiento, o un total de N + 2 clases. Después de
seleccionar el agarre, la prótesis cambia al modo de mantenimiento del agarre, y todos los
agarres se asignan a una clase general de mano cerrada. Esto da como resultado un
clasificador que toma una de las tres únicas decisiones posibles: sin movimiento, mano abierta
o mano cerrada (véase la figura 1). En este estudio, desarrollamos un sistema que aprovecha
este esquema de control único cambiando dinámicamente la longitud de la ventana de datos
según el número de agarres disponibles.
Este clasificador de doble ventana utiliza una ventana de datos más larga cuando hay más
clases disponibles (selección de agarre) para mejorar la predicción y cambia a una ventana de
datos más corta cuando se dispone de menos (mantenimiento del agarre) para reducir al
mínimo
los análisis del experimento fuera de línea. En las pruebas que evaluaban el control en tiempo
real de una prótesis virtual, un clasificador de doble ventana fue
comparado con un clasificador que usaba una longitud de ventana de datos consistente
estrategia de control.