Estimation and Early Prediction of Grip Force Based on sEMG Signals and Deep Recurrent Neural Networks

要約

手は周囲の環境とのコミュニケーションに使用され、多自由度でさまざまなタスクを実行できる複雑な構造を持っています。
手の切断は、人が日常の活動を行うのを妨げる可能性があります。
その場合、失われた手足に適した、迅速で信頼性の高い代替手段を見つけることは、そのような状態に苦しむ人々の生活に影響を与える可能性があります.
手の最も重要な用途は物体をつかむことであるため、この研究の目的は、ピンチタイプのグリップ中の表面筋電図 (sEMG) 信号からグリップ力を正確に予測することです。
その点で、握力と sEMG 信号は 10 人の健常者から得られたものです。
結果は、このタスクでは、再帰型ネットワークが、完全に接続された多層パーセプトロン (MLP) ネットワークなどの非再帰型ネットワークよりも優れていることを示しています。
ゲート反復単位 (GRU) および長短期記憶 (LSTM) ネットワークは、それぞれ 0.994 および 0.992 の R 二乗値でグリップ力を予測でき、1 秒あたり 1300 回を超える予測率で予測できます。
このようなフレームワークを使用する主な利点は、より大きな予測範囲を適切に使用して将来の力値を予測する機能は言うまでもなく、特徴抽出の形式を使用せずに、前処理された sEMG 信号から把持力を直接予測できることです。
この研究で提示された方法は、義手やロボット グリッパーの筋電制御に使用できます。

要約(オリジナル)

Hands are used for communicating with the surrounding environment and have a complex structure that enables them to perform various tasks with their multiple degrees of freedom. Hand amputation can prevent a person from performing their daily activities. In that event, finding a suitable, fast, and reliable alternative for the missing limb can affect the lives of people who suffer from such conditions. As the most important use of the hands is to grasp objects, the purpose of this study is to accurately predict gripping force from surface electromyography (sEMG) signals during a pinch-type grip. In that regard, gripping force and sEMG signals are derived from 10 healthy subjects. Results show that for this task, recurrent networks outperform nonrecurrent ones, such as a fully connected multilayer perceptron (MLP) network. Gated recurrent unit (GRU) and long short-term memory (LSTM) networks can predict the gripping force with R-squared values of 0.994 and 0.992, respectively, and a prediction rate of over 1300 predictions per second. The predominant advantage of using such frameworks is that the gripping force can be predicted straight from preprocessed sEMG signals without any form of feature extraction, not to mention the ability to predict future force values using larger prediction horizons adequately. The methods presented in this study can be used in the myoelectric control of prosthetic hands or robotic grippers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google