基于对抗性多机器学习模型与脑电传感数据融合的机器人手部控制可信度与可解释性研究：一种模糊决策解决方案

【编辑推荐】本研究创新性地采用对抗性多机器学习模型融合EEG（脑电图）数据，结合模糊决策算法，解决了机器人手部控制中的可信度与可解释性难题。通过对比Box-Behnken设计（BBD）、非神经网络算法（NNNA）和人工神经网络（ANN）在预测电纺支架纤维直径与拉伸强度的性能，证实ANN模型在小样本（n≥18）复杂依赖关系中的卓越预测能力，为生物医学组织工程减少实验成本提供了新范式。

　　

Highlight

电纺聚己内酯(PCL)支架因其可降解性和机械可调性被广泛应用于生物医学组织工程。本研究首次系统比较了Box-Behnken设计(BBD)、非神经网络算法(NNNA)和人工神经网络(ANN)三种方法在预测纤维直径与拉伸强度上的表现，揭示了ANN模型对显著不同形态支架的卓越预测能力。

Materials and methods

实验设计如图1所示：通过BBD定义聚合物浓度(X₁)、电压(X₂)和针头尺寸(X₃)参数，制备18组PCL支架样本（15组训练+3组测试）。采用180种NNNA模型（包括线性回归、支持向量回归等）和480种ANN模型进行预测。

Fiber diameter and tensile strength

实验数据显示（图3），纤维直径从(12.16±2.05)μm（样本10）到(26.49±17.48)μm（样本1）不等。其中样本1-3呈现"串珠状"纤维形态，而样本4-18则为均匀纤维，表明工艺参数对形态的显著影响。

Conclusions

BBD模型存在过拟合问题，而最优ANN模型不仅能精准预测纤维直径，还能可靠预测拉伸强度。该研究证实：即使在小样本(n≥18)条件下，经过优化的ANN模型可有效捕捉复杂依赖关系，大幅减少实验成本。这一方法可推广至其他电纺聚合物体系，为组织工程材料设计提供智能解决方案。