文献

J-GLOBAL ID：201902248016928905   整理番号：19A0646361

補綴手のPCAと深層学習に基づく筋電把持制御【JST・京大機械翻訳】

PCA and deep learning based myoelectric grasping control of a prosthetic hand

著者 (7件)： Li Chuanjiang (The College of Information, Mechanical and Electrical Engineering, Shanghai Normal University, Shanghai, China) ,  Ren Jian (The College of Information, Mechanical and Electrical Engineering, Shanghai Normal University, Shanghai, China) ,  Huang Huaiqi (EPFL, Neuchatel, Switzerland) ,  Huang Huaiqi (BFH, Biel, Switzerland) ,  Wang Bin (The College of Information, Mechanical and Electrical Engineering, Shanghai Normal University, Shanghai, China) ,  Zhu Yanfei (The College of Information, Mechanical and Electrical Engineering, Shanghai Normal University, Shanghai, China) ,  Hu Huosheng (School of Computer Science & Electronic Engineering, University of Essex, Colchester, UK)
資料名： BioMedical Engineering OnLine (Web)  (BioMedical Engineering OnLine (Web))
巻： 17  号： 1  ページ： 107  発行年： 2018年 
JST資料番号： U7351A  ISSN： 1475-925X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 人工ハンドの機能的制御のためには,運動パターン情報のみを得ることは不十分である。実用性に関しては,人工ハンド力の制御が不可欠である。補綴ハンドの適用価値は,人工ハンドの安定したグリップを達成することができれば,大いに改善される。この問題を解決するために,本研究では,補綴ハンドの制御のためのバイオ信号制御法を提案し,人工ハンドを用いて患者の感覚を改善し,その結果,生活の質を改善した。MYOジェスチャー制御アームを用いて,上肢から表面筋電図(sEMG)信号を収集した。重複スライディングウィンドウ方式をデータ分割に適用し,相関特徴を各分割データから抽出した。主成分分析(PCA)法を次元縮小のために展開した。深いニューラルネットワークを用いて,異なるレベルにおける力予測のためのSEMG力回帰モデルを生成した。予測された力値は,人工ハンドの把持制御のためのファジィ制御装置に入力される。振動フィードバック装置を用いて,人工ハンドを用いて患者の感覚を改善し,正確な把握を実現するために,患者の腕に戻る力値を供給する。この方式の有効性を試験するために,15人の死亡者が実験に参加した。分類結果は,すべての4つの時間領域特徴を適用する8チャネルsEMGが,32から8次元へのPCA縮小によって,最も高い分類精度をもたらすことを示した。15人の参加者からの実験結果に基づいて,平均認識率は95%以上である。一方,標準偏差の統計結果から,被験者間変動は3.58~1.25%の範囲であり,提案したアプローチのロバスト性と安定性を証明した。この方法は,患者自身のsEMG信号を通して握力を制御することを提案した。それは,握力の成功率を向上させ,手術の感覚を増加させ,上肢切断患者のためのゴールをもたらすために,高い認識率を達成する。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *補綴 ,  ロバスト性 ,  主成分分析 ,  フィードバック ,  次元縮小 ,  握力 ,  チャネル ,  予測 ,  標準偏差 ,  有効性 ,  回帰モデル ,  ニューラルネットワーク
準シソーラス用語： 被験者 ,  スライディングウィンドウ ,  *筋電信号 , 【Automatic Indexing@JST】

著者キーワード (7件)： 補綴手 ,  把持制御 ,  PCA ,  SEMG力 ,  DNN ,  ファジィ制御器 ,  振動フィードバック装置

分類 (4件)： ロボットの設計・製造・構造要素  (IC04013A) ,  生体代行装置  (EL04000N) ,  パターン認識  (JE07000S) ,  生体計測  (EL03020C)

引用文献 (21件)：

• IEEE Pulse; Staying in touch: toward the restoration of sensory feedback in hand prostheses using peripheral neural stimulation; S Micera; 7; 3; 2016; 16-19; 10.1109/MPUL.2016.2539760; citation_id=CR1
• Disab Rehabil; Prosthesis use in adult acquired major upper-limb amputees: patterns of wear, prosthetic skills and the actual use of prostheses in activities of daily life; K Østlie, IM Lesjø, RJ Franklin, B Garfelt, OH Kjeldal, P Magnus; 7; 6; 2012; 479-493; 10.3109/17483107.2011.653296; citation_id=CR2
• Cogn Comput; A neuro-fuzzy control system based on feature extraction of surface electromyogram signal for solar-powered wheelchair; MS Kaiser, ZI Chowdhury, SA Mamun, A Hussain, M Mahmud; 8; 5; 2016; 946-954; 10.1007/s12559-016-9398-4; citation_id=CR3
• Biol Proc; Techniques of EMG signal analysis: detection, processing, classification and applications; MBI Reaz, MS Hussain, F Mohdyasin; 8; 1; 2006; 11-35; 10.1251/bpo115; citation_id=CR4
• Front Neurosci; Literature review on needs of upper limb prosthesis users; F Cordella, AL Ciancio, R Sacchetti, A Davalli, AG Cutti, E Guglilmelli, L Zollo; 10; 2016; 162; 10.3389/fnins.2016.00209; citation_id=CR5

タイトルに関連する用語 (5件)： 補綴 ,  PCA ,  深層学習 ,  筋電 ,  把持