From Unstable Contacts to Stable Control: A Deep Learning Paradigm for HD-sEMG in Neurorobotics

要約

過去 10 年間で、神経ロボット システム、特にバイオニック手足を制御するためのウェアラブル ニューラル インターフェイスの設計が大幅に進歩しました。
これらのインターフェースは、皮膚の表面から非侵襲的に捕捉された信号をデコードすることによって機能します。
深層学習デコードと組み合わせたポータブル高密度表面筋電図 (HD-sEMG) モジュールは、義肢システムやニューロロボットの優れたジェスチャー予測と筋電制御を実現することで注目を集めています。
ただし、ピクセル形状の電極サイズや不安定な皮膚接触などの要因により、HD-sEMG はピクセル電極の落下の影響を受けやすくなります。
接着力の低下、発汗、毛髪の詰まり、皮膚の伸びなどの問題に起因するまばらな電極と皮膚の断線は、ニューロロボットシステムの認識ユニットとしてのこれらのモジュールの信頼性と拡張性に課題をもたらしています。
この論文では、HD-sEMG モジュールに回復力を提供する新しい深層学習モデルを提案します。このモデルは、ニューロロボットのウェアラブル インターフェイスで使用できます。
提案された 3D Dirated Efficient CapsNet モデルは、拡張入力空間でトレーニングし、ネットワークに計算的に「強制」してチャネル ドロップアウトの変動を学習させ、チャネル ドロップアウトに対する堅牢性を学習させます。
提案されたフレームワークは、実施されたセンサードロップアウトの信頼性調査の下で高いパフォーマンスを維持しました。
結果は、従来のモデルのパフォーマンスはドロップアウトによって大幅に低下し、提案されたアーキテクチャとトレーニング パラダイムを使用して回復できることを示しています。

要約(オリジナル)

In the past decade, there has been significant advancement in designing wearable neural interfaces for controlling neurorobotic systems, particularly bionic limbs. These interfaces function by decoding signals captured non-invasively from the skin’s surface. Portable high-density surface electromyography (HD-sEMG) modules combined with deep learning decoding have attracted interest by achieving excellent gesture prediction and myoelectric control of prosthetic systems and neurorobots. However, factors like pixel-shape electrode size and unstable skin contact make HD-sEMG susceptible to pixel electrode drops. The sparse electrode-skin disconnections rooted in issues such as low adhesion, sweating, hair blockage, and skin stretch challenge the reliability and scalability of these modules as the perception unit for neurorobotic systems. This paper proposes a novel deep-learning model providing resiliency for HD-sEMG modules, which can be used in the wearable interfaces of neurorobots. The proposed 3D Dilated Efficient CapsNet model trains on an augmented input space to computationally `force’ the network to learn channel dropout variations and thus learn robustness to channel dropout. The proposed framework maintained high performance under a sensor dropout reliability study conducted. Results show conventional models’ performance significantly degrades with dropout and is recovered using the proposed architecture and the training paradigm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google