通过元学习实现上肢外骨骼的个性化肌电控制：一种少样本学习方法

《IEEE Transactions on Medical Robotics and Bionics》：Personalized Myoelectric Control for Upper-Limb Exoskeletons Through Meta-Learning: A Few-Shot Learning Approach

个性化肌电控制外骨骼机器人采用模型无关元学习框架，通过注意力机制CNN-LSTM模型融合EMG/IMU信号预测运动姿态，实现20-25秒/任务快速适应，减少50%重新训练需求，降低13%人力消耗，扭矩提升24%仍保持高精度，优于传统深度学习模型。

　　

摘要：

在机器人外骨骼的肌电控制中，个性化处理至关重要，因为它能够确保准确解读并适应每个用户的独特肌肉活动模式和运动意图。这种方法降低了错误或过度施力的风险，显著减少了用户在使用过程中感到不适或受伤的可能性。本研究介绍了一种与模型无关的元学习方法，用于在工业环境中对软质上肢外骨骼进行个性化调整。该框架采用基于注意力机制的CNN-LSTM模型，利用肌电图（EMG）和惯性测量单元（IMU）信号来预测机器人的未来角度位置。MAML框架表现出出色的适应性和个性化能力，能够在使用少量数据的情况下高效预测未来角度位置，每个任务大约需要20-25秒。这种方法将新用户或新环境下的重新训练需求降低了50%，展现了实时的任务适应能力。我们的研究结果证实，在承重任务中，人类的劳动强度减少了近13%。此外，结果显示外骨骼产生的扭矩提高了24%，同时保持了更高的精确度。与其他深度学习模型的比较进一步强调了元学习方法所带来的更强适应性和准确性。