Towards Robust and Accurate Myoelectric Controller Design based on Multi-objective Optimization using Evolutionary Computation

要約

筋電パターン認識は、上肢義足やバイオロボットの手の動きシステムを含むさまざまなアプリケーションの制御戦略の設計における重要な側面の 1 つです。
現在の研究では、表面筋電図 (sEMG) 信号の情報をデコードして根底にある筋肉の動きを推測するためのカーネル化された SVM 分類器を考慮することにより、エネルギー効率の高い EMG ベースのコントローラーを設計するアプローチを提案しました。
EMG ベースのコントローラーの最適化されたパフォーマンスを達成するために、分類器設計の主な戦略は、システム全体の誤った動き (EMG ベースのコントローラーが「静止」位置にあるとき) を減らすことです。
この目的を達成するために、提案された教師あり学習システムのトレーニング アルゴリズムを一般的な制約付き多目的最適化問題として定式化しました。
エリート主義多目的進化アルゴリズム $-$ である非支配的並べ替え遺伝的アルゴリズム II (NSGA-II) は、SVM のハイパーパラメーターの調整に使用されています。
我々は、5 つの異なる上肢位置で 11 人の被験者から収集された sEMG 信号からなるデータセットに対して実験を実行することにより、実験結果を提示しました。
さらに、分類精度と偽陰性という 2 つの目的の指標に基づいてトレーニングされたモデルのパフォーマンスが 2 つの異なるテスト セットで評価され、手足の位置不変の EMG 分類を実装しながら、提案されたトレーニング アプローチの一般化機能を検査しました。
。
提示された結果から、提案されたアプローチは、EMG ベースのコントローラーのエネルギー効率を最適化するために分類器のパラメーターを選択する際に設計者にはるかに高い柔軟性を提供することは明らかです。

要約(オリジナル)

Myoelectric pattern recognition is one of the important aspects in the design of the control strategy for various applications including upper-limb prostheses and bio-robotic hand movement systems. The current work has proposed an approach to design an energy-efficient EMG-based controller by considering a kernelized SVM classifier for decoding the information of surface electromyography (sEMG) signals to infer the underlying muscle movements. In order to achieve the optimized performance of the EMG-based controller, our main strategy of classifier design is to reduce the false movements of the overall system (when the EMG-based controller is at the `Rest’ position). To this end, we have formulated the training algorithm of the proposed supervised learning system as a general constrained multi-objective optimization problem. An elitist multi-objective evolutionary algorithm $-$ the non-dominated sorting genetic algorithm II (NSGA-II) has been used to tune the hyperparameters of SVM. We have presented the experimental results by performing the experiments on a dataset consisting of the sEMG signals collected from eleven subjects at five different upper limb positions. Furthermore, the performance of the trained models based on the two-objective metrics, namely classification accuracy, and false-negative have been evaluated on two different test sets to examine the generalization capability of the proposed training approach while implementing limb-position invariant EMG classification. It is evident from the presented result that the proposed approach provides much more flexibility to the designer in selecting the parameters of the classifier to optimize the energy efficiency of the EMG-based controller.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google