直接学习神经元放电表征以实现长期运动意图预测

《IEEE Transactions on Artificial Intelligence》:Direct Learning of Neuronal Firing Representations for Long-Term Motor Intent Predictions

【字体: 大 中 小 】 时间:2026年03月04日 来源:IEEE Transactions on Artificial Intelligence CS6.4

编辑推荐:

  影响声明:从表面肌电图(sEMG)中准确解读运动意图对于控制先进的假肢和机器人手至关重要,但目前的信号分离流程仍然存在不足...显示更多摘要:准确的手部运动预测在推动机器人控制技术的发展中起着关键作用。神经元放电信号作为运动意图的直接体现,为解码运动指令提供了一种生理学上有意义的

  
影响声明:
从表面肌电图(sEMG)中准确解读运动意图对于控制先进的假肢和机器人手至关重要,但目前的信号分离流程仍然存在不足...显示更多

摘要:

准确的手部运动预测在推动机器人控制技术的发展中起着关键作用。神经元放电信号作为运动意图的直接体现,为解码运动指令提供了一种生理学上有意义的方法。这些信号通常通过盲源分离技术提取。然而,这些方法的高计算强度限制了其实际应用。因此,我们直接通过一个高效的深度森林(DF)框架从表面肌电图(sEMG)信号中学习了神经元放电表示。具体来说,我们首先获得了群体神经元放电率信号作为真实值。DF模型被训练用来将sEMG信号直接映射到群体神经元放电率。为了实现稳健且连续的手指力量预测,我们在多个会话的数据上评估了DF框架,平均会话间隔为6.58天。我们的结果表明,DF框架能够将sEMG幅度准确映射到神经元放电表示,其准确性与基于源分离的方法相当,但计算时间显著减少。所开发的DF模型还优于神经网络模型和其他基于决策树的集成方法。此外,尽管使用了相同的输入特征,DF框架的表现仍显著优于sEMG幅度方法,显示出其捕捉复杂神经驱动信息以进行更准确手指力量预测的能力。此外,抗噪声干扰的稳健性测试表明,DF框架在不同噪声水平下都能保持稳定的性能。这些发现突显了DF框架作为实时机器人控制应用的有效解决方案的潜力。

引言

人类手是最灵巧的身体部位之一,能够执行日常功能所需的复杂而精确的动作[1]。近年来,机器人技术的显著进步促进了先进假肢和外骨骼手的发展,使得每个手指和关节都能独立驱动[2]、[3]。随着机电设备的进步,开发准确高效的神经解码方法对于实现直观的机器人控制至关重要,这有助于推动它们在人机交互[4]、[5]、远程手术[6]以及帮助身体残疾人士恢复功能独立性[8]、[9]等方面的应用。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号