Verbesserung der Steuerung von bionischen Händen mit dualem Klassifikatorsystem

Der Verlust einer Hand kann das Leben einer Person erheblich beeinflussen. Auch wenn Handtransplantationen besser werden, sind sie noch nicht weit verbreitet. Daher verlassen sich viele Menschen auf bionische Hände, das sind Prothesen, die durch Signale von den verbleibenden Muskeln gesteuert werden. Diese Signale, die EMG (Elektromyographie) und MMG (Mechanomyographie) genannt werden, werden verwendet, um zu bestimmen, welche Bewegung der Nutzer ausführen möchte.

Allerdings gibt es bei der Nutzung dieser Signale zur Steuerung einer bionischen Hand einige Herausforderungen. Verschiedene Faktoren können die Qualität der Signale beeinflussen, was es schwierig macht, die Absichten des Nutzers genau zu erkennen. Dieser Artikel beschäftigt sich mit einem neuen Ansatz, um die Erkennung dieser Signale mithilfe eines dualen Ensemble-Klassifikatorsystems zu verbessern. Dieses System hat das Ziel, die Verunreinigung der Signale zu bekämpfen und die Steuerung von Prothesen der oberen Extremitäten zu verbessern.

#Verständnis von EMG- und MMG-Signalen

Wenn jemand seine Prothesenhand bewegen möchte, ziehen sich die verbleibenden Muskeln zusammen und senden Signale an die Hautoberfläche. EMG misst diese elektrischen Signale, die von den Muskeln erzeugt werden, während MMG die Vibrationen erfasst, die durch Muskelkontraktionen entstehen. Das Ziel ist es, diese Signale zu interpretieren und in Bewegungen der Prothesenhand umzusetzen.

Allerdings ist die Erfassung dieser Signale anfällig für Störungen. Verunreinigte Signale, sei es durch Lärm oder unsachgemässe Signalübertragung, können zu falschen Interpretationen der beabsichtigten Bewegungen des Nutzers führen. Dieses Problem macht die Steuerung bionischer Hände deutlich komplizierter.

#Herausforderungen bei der Signalerkennung

Verschiedene Faktoren können zu einer schlechten Erkennung von EMG- und MMG-Signalen führen:

1. Signalqualität: Aussengeräusche, wie elektrische Störungen, können die Signale, die vom Körper gesammelt werden, beeinträchtigen. Dazu gehören Geräusche von anderen elektronischen Geräten oder sogar vom Körper selbst.

2. Trainingsdaten: Genug vertrauenswürdige Daten für das Training von Erkennungssystemen zu sammeln, kann schwierig sein, zum Beispiel aufgrund von Phantomschmerzen, die einige Amputierte erleben. Dieser Schmerz kann ihre Fähigkeit einschränken, konsistente Muskelsignale zu erzeugen, um Trainingsdaten zu sammeln.

3. Variabilität: Die Signale können sich über die Zeit aufgrund von Muskelermüdung oder Änderungen in der Position der Elektroden ändern, die zur Signalaufnahme verwendet werden. Diese Variationen können die Leistung der Erkennungssysteme negativ beeinflussen.

4. Fehlbezeichnungen: Amputierte können ihre Muskelsignale während des Trainings falsch kennzeichnen. Das kann passieren, weil sie ihre fehlende Gliedmasse nicht sehen können, was zu Verwirrung während des Steuerungsprozesses führt.

5. Inkonsistente Ergebnisse: Verschiedene Nutzer können unterschiedliche Signale erzeugen, selbst wenn sie die gleichen Bewegungen ausführen. Diese Inkonsistenz macht es schwierig, ein universelles Erkennungsmodell zu erstellen.

6. Verunreinigung: Signalverunreinigung kann durch Rauschen, Störungen und Messartefakte auftreten. Diese Verunreinigungen können aus verschiedenen Quellen stammen, was es wichtig macht, eine Methode zur Erkennung und Kompensation dieser Probleme zu haben.

7. Echtzeitergebnisse: Das Steuerungssystem sollte in der Lage sein, in Echtzeit Vorhersagen über beabsichtigte Bewegungen zu treffen, normalerweise innerhalb von 200 Millisekunden. Diese Anforderung ist entscheidend für praktische Anwendungen.

Angesichts dieser Herausforderungen ist es wichtig, die Erkennungsqualität in realen Szenarien zu verbessern, um die effektive Steuerung bionischer Hände zu gewährleisten.

#Vorgeschlagene Lösung

Ziel dieser Arbeit ist es, ein Erkennungssystem zu schaffen, das diese Probleme angeht. Das vorgeschlagene System umfasst zwei kooperierende Multiklassifikatorsysteme, die jeweils für unterschiedliche Zwecke ausgelegt sind.

1. Erstes System: Dieses besteht aus Ein-Klassen-Klassifikatoren, die mit einzelnen EMG- und MMG-Kanälen verbunden sind. Ihre Hauptaufgabe besteht darin, zu identifizieren, welche Kanäle verunreinigt sind. Durch die Erkennung von Rauschen oder anderen Störungen in den Signalen können diese Klassifikatoren den Erkennungsprozess verbessern.

2. Zweites System: Dieses Multiklassifikatorsystem konzentriert sich darauf, die beabsichtigte Bewegungsart basierend auf den Signalen des Nutzers zu erkennen. Es verarbeitet die Merkmale der Signale, die aus verschiedenen Kanälen erhalten werden.

Das zweite System funktioniert, indem es die Klassifikatoren eliminiert, die sich auf Kanäle stützen, die vom ersten System als verunreinigt identifiziert wurden. Dieser Ansatz hilft sicherzustellen, dass nur zuverlässige Signale im Entscheidungsprozess zur Steuerung der Prothese verwendet werden.

#Forschungsfragen

Um die Wirksamkeit der vorgeschlagenen Methode zu bewerten, wurden mehrere Forschungsfragen formuliert:

1. Leistet diese Dual-Ensemble-Methode besser als ein System, das immer alle Klassifikatoren verwendet?
2. Wie schneidet sie im Vergleich zu einem einfachen Klassifikator ab, der den gesamten Merkmalsraum nutzt?
3. Ist sie effektiver als andere Methoden aus der Literatur?
4. Wie variiert die Leistung bei unterschiedlichen Rauschpegeln in den Signalen?
5. Welchen Einfluss hat die Nutzung verschiedener Zahlen von EMG- und MMG-Kanälen auf die Leistung des Erkennungssystems?

#Bedeutung verwandter Arbeiten

Die Qualität der Signale, ob EMG oder MMG, ist entscheidend für die Steuerung eines bionischen Gliedes. Wenn die Signalqualität abnimmt, wird es schwierig, das Prothesengerät genau zu bedienen. Verschiedene Ansätze wurden in der bestehenden Forschung vorgeschlagen, um dieses Problem zu mindern.

#Hardware-Verbesserungen

Eine Möglichkeit, die Signalqualität zu verbessern, ist ein besseres Hardware-Design. Einige Forscher haben flexible Sensoren vorgeschlagen, die den Kontakt zur Haut aufrechterhalten und gleichzeitig die Empfindlichkeit gegenüber Störgeräuschen verringern. Andere haben empfohlen, speziell designte Elektroden zu verwenden, die sich während der Bewegung stabil halten.

#Rauschfiltertechniken

Ein anderer Ansatz besteht darin, unerwünschtes Rauschen auf Signalebene herauszufiltern. Einige Methoden basieren auf Expertenwissen, um spezifische Rauscharten zu adressieren. Andere wenden allgemeine Filtertechniken an, um die Signalqualität zu verbessern.

#Maschinenlernen-Ansätze

Maschinenlernen bietet zusätzliche Methoden zur Bekämpfung der Signalverunreinigung. Einige Systeme konzentrieren sich ausschliesslich auf die Identifizierung verunreinigter Signale, um fehlerhafte Bewegungen zu verhindern. Andere nutzen Ein-Klassen-Klassifikatoren, um Ausreissersignale zu erkennen und sich ausschliesslich auf unverunreinigte Trainingsdaten zu stützen.

Zusätzlich zu diesen Strategien kombiniert die vorgeschlagene Methode Elemente aus jeder dieser Kategorien, um die Kontrolle der bionischen Hand zu verbessern.

#Experimenteller Aufbau

Um das vorgeschlagene duale Ensemble-Klassifikatorsystem zu testen, wurden Experimente mit Signalen von einem gesunden Teilnehmer durchgeführt, der eine Amputation simulierte. Der Teilnehmer trug EMG- und MMG-Sensoren an seinem Unterarm, während die Hand immobilisiert wurde, um ein realistisches Szenario ohne tatsächliche Bewegung zu schaffen.

Die während des Experiments aufgezeichneten Signale sollten verschiedene Klassen beabsichtigter Bewegungen widerspiegeln, einschliesslich Handgelenksbeugung und Fingerbewegungen. Das Ziel war es, die Bandbreite der Bewegungen zu simulieren, die eine bionische Hand ausführen würde.

#Signalakquisition

Jede Bewegungsart wurde mehrmals aufgezeichnet, um eine vielfältige Reihe von Signalen zu erfassen. Die Daten wurden dann verwendet, um einen robusten Trainingsdatensatz für das Erkennungssystem zu erstellen.

#Klassifikatortraining

Für die vorgeschlagene Methode wurden Random Forest-Klassifikatoren eingesetzt. Diese Klassifikatoren sind dafür bekannt, dass sie effektiv mit komplexen Daten umgehen können. Ein-Klassen-SVM-Klassifikatoren wurden verwendet, um während der Verunreinigungsdetektionsphase Ausreissersignale zu identifizieren.

#Rauschsimulation

Um reale Bedingungen zu simulieren, wurden verschiedene Arten künstlichen Rauschens in die Signale eingeführt. Dazu gehörten Netzgeräusche, Gausssches Rauschen und andere Formen von Störungen. Ziel war es, zu untersuchen, wie gut das duale Ensemble-System unter verschiedenen Rauschpegeln abschneiden konnte.

#Ergebnisse und Diskussion

Die Experimente zielten darauf ab, die Effektivität des vorgeschlagenen dualen Ensemble-Klassifikatorsystems bei der Erkennung von EMG- und MMG-Signalen zu bewerten. Die Ergebnisse deuteten darauf hin, dass die vorgeschlagene Methode die Klassifikationsgenauigkeit verbessern konnte, insbesondere unter schwierigen Bedingungen.

#Einfluss der Kanalzahl

Eine wichtige Erkenntnis war, dass die Anzahl der Kanäle, die zum Aufbau der Klassifikatoren verwendet wurden, die Leistung erheblich beeinflusste. Wie erwartet führte eine höhere Anzahl von Kanälen im Allgemeinen zu einer besseren Klassifikationsqualität, besonders wenn die Signale weniger verunreinigt waren.

#Umgang mit rauschhaften Signalen

Das duale Ensemble-System zeigte die Fähigkeit, die hohe Klassifikationsqualität auch in Anwesenheit von Rauschen aufrechtzuerhalten. Das deutet darauf hin, dass das System durch die Nutzung nur zuverlässiger Kanäle effektiv für die Auswirkungen von Rauschen auf die Erkennung kompensiert.

#Vergleich mit anderen Methoden

Im Vergleich zu traditionellen Einzelklassifikatoren und Methoden, die immer alle verfügbaren Kanäle nutzen, schnitt der vorgeschlagene duale Ensemble-Ansatz bemerkenswert gut ab. Er brachte Verbesserungen in den Klassifikationen, besonders in rauschhaften Szenarien.

#Rauschverhältnisse

Die Klassifikationen zeigten auch Verbesserungen bei unterschiedlichen Signal-Rausch-Verhältnissen (SNR). Im Allgemeinen deuteten höhere SNR-Werte auf eine bessere Leistung hin. Allerdings hielt die vorgeschlagene Methode auch bei niedrigeren SNR-Werten eine konstante Leistung aufrecht.

#Fazit

Das in dieser Arbeit vorgeschlagene duale Ensemble-Multiklassifikatorsystem geht effektiv auf die Herausforderungen der Erkennung von EMG- und MMG-Signalen zur Steuerung bionischer Hände ein. Durch das Erkennen und Ausschliessen von verunreinigten Kanälen verbessert das System die Zuverlässigkeit bei der Erkennung der Nutzerintentionen, was letztlich die Steuerung von Prothesengeräten verbessert.

Die Ergebnisse deuten darauf hin, dass weitere Arbeiten darauf abzielen können, ausgefeiltere Auswahlverfahren für Klassifikatoren zu entwickeln. Dazu könnten weiche Ausschuss-Auswahltechniken gehören, die nützliche Signale beibehalten, während stark verunreinigte ausgeschlossen werden. Insgesamt ebnet diese Forschung den Weg für effektivere bionische Hand-Systeme, die die Lebensqualität von Amputierten wirklich verbessern können.