Migliorare il controllo della mano bionica con un sistema di classificazione duale

La perdita di una mano può avere un grande impatto sulla vita di una persona. Anche se i trapianti di mano stanno migliorando, non sono ancora comuni. Quindi, molte persone si affidano a mani bioniche, che sono arti protesici controllati da segnali dei muscoli rimanenti. Questi segnali, chiamati EMG (elettromiografia) e MMG (meccanomiografia), vengono usati per capire quale movimento l'utente vuole fare.

Tuttavia, usare questi segnali per controllare una mano bionica presenta delle sfide. Vari fattori possono influenzare la qualità dei segnali, rendendo difficile riconoscere con precisione le intenzioni dell'utente. Questo articolo parla di un nuovo approccio per migliorare il riconoscimento di questi segnali usando un sistema di classificazione a ensemble duale. Questo sistema mira a gestire la contaminazione dei segnali e migliorare il controllo delle protesi degli arti superiori.

#Comprendere i segnali EMG e MMG

Quando una persona vuole muovere la propria mano protesica, i muscoli rimanenti si contraggono, inviando segnali alla superficie della pelle. L'EMG misura questi segnali elettrici generati dai muscoli, mentre l'MMG cattura le vibrazioni prodotte dalle contrazioni muscolari. L'obiettivo è interpretare questi segnali e tradurli in movimenti della mano protesica.

Tuttavia, l'acquisizione di questi segnali è soggetta a interferenze. Se i segnali sono contaminati, sia a causa di rumori che di un'acquisizione scorretta, si possono avere interpretazioni errate dei movimenti desiderati dall'utente. Questo problema rende molto più complicato il controllo delle mani bioniche.

#Sfide nel riconoscere i segnali

Diversi fattori possono portare a un riconoscimento scadente dei segnali EMG e MMG:

1. Qualità del segnale: Rumori esterni, come le interferenze elettriche, possono confondere i segnali raccolti dal corpo. Questo può includere rumori di altri dispositivi elettronici o anche dal corpo stesso.

2. Dati di addestramento: Raccogliere abbastanza dati affidabili per addestrare i sistemi di riconoscimento può essere difficile a causa di fattori come il dolore fantasma, che alcune persone amputate possono vivere. Questo dolore può limitare la loro capacità di produrre segnali muscolari coerenti per raccogliere dati di addestramento.

3. Variabilità: I segnali possono cambiare nel tempo a causa della fatica muscolare o dei cambiamenti nella posizione degli elettrodi usati per catturare i segnali. Queste variazioni possono influenzare negativamente le prestazioni dei sistemi di riconoscimento.

4. Etichettatura errata: Le persone amputate possono etichettare in modo errato i segnali muscolari durante l'addestramento. Questo può succedere perché non possono vedere l'arto mancante, portando a confusione durante il processo di controllo.

5. Risultati inconsistenti: Utenti diversi possono produrre segnali variabili anche quando tentano gli stessi movimenti. Questa inconsistenza rende difficile creare un modello di riconoscimento universale.

6. Contaminazione: La contaminazione del segnale può avvenire attraverso rumori, interferenze e artefatti di misura. Questa contaminazione può provenire da varie fonti, rendendo cruciale avere un metodo per rilevare e compensare questi problemi.

7. Predizioni in tempo reale: Il sistema di controllo dovrebbe essere in grado di fare previsioni sui movimenti desiderati in tempo reale, di solito entro 200 millisecondi. Soddisfare questo requisito è fondamentale per applicazioni pratiche.

Date queste sfide, migliorare la qualità del riconoscimento in scenari reali è essenziale per il controllo efficace delle mani bioniche.

#Soluzione proposta

L'obiettivo di questo lavoro è creare un sistema di riconoscimento che affronti queste problematiche. Il sistema proposto prevede due sistemi di classificazione cooperativi progettati per scopi diversi.

1. Primo sistema: Questo consiste in Classificatori a una classe collegati a canali EMG e MMG individuali. Il loro compito principale è identificare quali canali sono contaminati. Rilevando rumori o altre interferenze nei segnali, questi classificatori possono aiutare a migliorare il processo di riconoscimento.

2. Secondo sistema: Questo sistema di classificazione mira a riconoscere la classe di movimento desiderato basandosi sui segnali dell'utente. Lo fa elaborando le caratteristiche dei segnali ottenuti da vari canali.

Il secondo sistema lavora eliminando i classificatori che si basano su canali identificati come contaminati dal primo sistema. Questo approccio aiuta a garantire che vengano usati solo segnali affidabili nel processo decisionale per controllare la protesi.

#Domande di ricerca

Per valutare l'efficacia del metodo proposto, sono state formulate diverse domande di ricerca:

1. Questo metodo a ensemble duale funziona meglio di un sistema che usa sempre tutti i classificatori?
2. Come si confronta con un classificatore semplice che utilizza l'intero spazio delle caratteristiche?
3. È più efficace di altri metodi trovati nella letteratura?
4. Come varia la prestazione con diversi livelli di Rumore nei segnali?
5. Qual è l'effetto dell'uso di vari numeri di canali EMG e MMG sulle prestazioni del sistema di riconoscimento?

#Importanza dei lavori correlati

La qualità dei segnali, sia EMG che MMG, è cruciale per controllare un arto bionico. Quando la qualità del segnale diminuisce, diventa difficile operare il dispositivo protesico con precisione. Vari approcci sono stati suggeriti nella ricerca esistente per mitigare questo problema.

#Miglioramenti hardware

Un modo per migliorare la qualità del segnale è attraverso un design hardware migliore. Alcuni ricercatori hanno proposto sensori flessibili che mantengono il contatto con la pelle riducendo la suscettibilità al rumore. Altri hanno raccomandato di usare elettrodi progettati appositamente per rimanere stabili durante il movimento.

#Tecniche di filtraggio del rumore

Un altro approccio è quello di filtrare il rumore indesiderato a livello di segnale. Alcuni metodi si basano su conoscenze esperte per affrontare tipi specifici di rumore. Altri applicano tecniche di filtraggio generali per migliorare la chiarezza del segnale.

#Approcci di machine learning

Il machine learning offre metodi aggiuntivi per affrontare la contaminazione del segnale. Alcuni sistemi si concentrano esclusivamente sull'identificazione dei segnali contaminati per prevenire movimenti errati. Altri usano classificatori a una classe per rilevare segnali anomali, basandosi solo su dati di addestramento non contaminati.

In aggiunta a queste strategie, il metodo proposto combina elementi di ciascuna di queste categorie per migliorare il controllo della mano bionica.

#Impostazione sperimentale

Per testare il sistema di classificazione a ensemble duale proposto, sono stati condotti esperimenti usando segnali da un partecipante sano che ha simulato un'amputazione. Il partecipante indossava sensori EMG e MMG sull'avanbraccio, mentre la sua mano era immobilizzata per creare uno scenario realistico senza movimento reale.

I segnali registrati durante l'esperimento erano progettati per riflettere varie classi di movimenti desiderati, inclusi la flessione del polso e i movimenti delle dita. L'obiettivo era imitare la gamma di movimenti che una mano bionica potrebbe eseguire.

#Acquisizione dei segnali

Ogni classe di movimento è stata registrata più volte per catturare un insieme diversificato di segnali. I dati sono stati poi utilizzati per creare un robusto set di addestramento per il sistema di riconoscimento.

#Addestramento dei classificatori

Per il metodo proposto, sono stati impiegati classificatori Random Forest. Questi classificatori sono noti per la loro efficacia nel gestire dati complessi. Sono stati usati classificatori SVM a una classe per identificare segnali anomali durante la fase di rilevamento della contaminazione.

#Simulazione del rumore

Per simulare condizioni del mondo reale, sono stati introdotti vari tipi di rumore artificiale nei segnali. Questi includevano rumore di rete elettrica, rumore gaussiano e altre forme di interferenza. L'obiettivo era esaminare quanto bene il sistema a ensemble duale potesse funzionare sotto diversi livelli di rumore.

#Risultati e discussione

Gli esperimenti puntavano a valutare l'efficacia del sistema di classificazione a ensemble duale proposto nel riconoscere i segnali EMG e MMG. I risultati hanno indicato che il metodo proposto potrebbe migliorare l'accuratezza della classificazione, soprattutto in condizioni difficili.

#Impatto del numero di canali

Una scoperta chiave è stata che il numero di canali usati per costruire i classificatori ha influenzato significativamente le prestazioni. Come previsto, un numero maggiore di canali ha portato generalmente a una migliore qualità di classificazione, in particolare quando i segnali erano meno contaminati.

#Gestione dei segnali rumorosi

Il sistema a ensemble duale ha dimostrato di mantenere alta qualità di classificazione in presenza di rumore. Questo suggerisce che usando solo canali affidabili, il sistema compensa efficacemente l'impatto del rumore sul riconoscimento.

#Confronto con altri metodi

Rispetto ai tradizionali classificatori singoli e ai metodi che usano sempre tutti i canali disponibili, l'approccio a ensemble duale proposto ha avuto risultati notevolmente positivi. Ha fornito miglioramenti nelle classificazioni, soprattutto in scenari rumorosi.

#Rapporti di rumore

Le classificazioni hanno mostrato anche miglioramenti attraverso diversi Rapporti Segnale-Rumore (SNR). In generale, valori SNR più alti indicavano prestazioni migliori. Tuttavia, il metodo proposto ha mantenuto prestazioni costanti, anche a livelli SNR più bassi.

#Conclusione

Il sistema di classificazione a ensemble duale proposto in questo lavoro affronta efficacemente le sfide del riconoscimento dei segnali EMG e MMG per controllare le mani bioniche. Rilevando ed escludendo i canali contaminati, il sistema migliora l'affidabilità nel riconoscere le intenzioni dell'utente, migliorando infine il controllo dei dispositivi protesici.

Come suggeriscono i risultati, ulteriori lavori possono concentrarsi sullo sviluppo di procedure di selezione più sofisticate per i classificatori. Questo potrebbe coinvolgere tecniche di selezione a comitato morbido che mantengono i segnali utili escludendo quelli altamente contaminati. In generale, questa ricerca apre la strada a sistemi di mano bionica più efficaci che possono veramente migliorare la qualità della vita degli amputati.