Diagrama esquem\u00e1tico y f\u00edsico de la ubicaci\u00f3n de las se\u00f1ales EMG de superficie recopiladas por el Dr. Tie Liu de la Escuela de Ingenier\u00eda El\u00e9ctrica de la Universidad Tecnol\u00f3gica de Shenyang. Cr\u00e9dito: Dr. Tie Liu, Escuela de Ingenier\u00eda El\u00e9ctrica, Universidad Tecnol\u00f3gica de Shenyang <\/p>\n
Los investigadores de ingenier\u00eda han desarrollado un enfoque de aprendizaje autom\u00e1tico h\u00edbrido para el reconocimiento de gestos musculares en manos prot\u00e9sicas que combina una t\u00e9cnica de IA que normalmente se usa para el reconocimiento de im\u00e1genes con otro enfoque especializado. para escritura a mano y reconocimiento de voz. La t\u00e9cnica est\u00e1 logrando un rendimiento muy superior a los esfuerzos tradicionales de aprendizaje autom\u00e1tico. <\/p>\n
Se public\u00f3 un art\u00edculo que describe el enfoque h\u00edbrido en la revista Cyborg and Bionic Systems.<\/p>\n
Las neuronas motoras son aquellas partes del sistema nervioso central que controlan directamente nuestros m\u00fasculos. Transmiten se\u00f1ales el\u00e9ctricas que hacen que los m\u00fasculos se contraigan. La electromiograf\u00eda (EMG) es un m\u00e9todo para medir la respuesta muscular mediante el registro de esta actividad el\u00e9ctrica a trav\u00e9s de la inserci\u00f3n de agujas de electrodos a trav\u00e9s de la piel y dentro del m\u00fasculo. Surface EMG (sEMG) realiza este mismo proceso de registro de forma no invasiva con los electrodos colocados sobre la piel por encima del m\u00fasculo, y se utiliza para procedimientos no m\u00e9dicos, como la investigaci\u00f3n en deportes y fisioterapia.<\/p>\n
Over Durante la \u00faltima d\u00e9cada, los investigadores han comenzado a investigar el uso potencial de las se\u00f1ales EMG de superficie para controlar pr\u00f3tesis para personas amputadas, especialmente con respecto a la complejidad de los movimientos y gestos que requieren las manos prot\u00e9sicas para brindar una actividad m\u00e1s suave, receptiva e intuitiva de la mano. dispositivos de lo que es posible actualmente.<\/p>\n
Desafortunadamente, la interferencia ambiental inesperada, como un cambio de los electrodos, introduce una gran cantidad de \u00abruido\u00bb en el proceso de cualquier dispositivo que intente reconocer las se\u00f1ales EMG de superficie. Dichos cambios ocurren regularmente en el uso y uso diario de tales sistemas. Para tratar de superar este problema, los usuarios deben participar en un largo y agotador per\u00edodo de entrenamiento de la se\u00f1al sEMG antes de usar sus pr\u00f3tesis. Los usuarios deben recolectar y clasificar laboriosamente sus propias se\u00f1ales EMG de superficie para poder controlar la mano prot\u00e9sica.<\/p>\n
Para reducir o eliminar los desaf\u00edos de dicha capacitaci\u00f3n, los investigadores han explorado varios enfoques de aprendizaje autom\u00e1tico en particular reconocimiento de patrones de aprendizaje profundopara poder distinguir entre diferentes y complejos gestos y movimientos de la mano a pesar de la presencia de interferencia de se\u00f1al ambiental.<\/p>\n
A su vez, se obtiene una reducci\u00f3n en el entrenamiento optimizando el modelo de estructura de red de ese profundo aprendizaje. Una posible mejora que se ha probado es el uso de una red neuronal convolucional (CNN), que es an\u00e1loga a la estructura de conexi\u00f3n de la corteza visual humana. Este tipo de red neuronal ofrece un rendimiento mejorado con im\u00e1genes y voz y, como tal, se encuentra en el coraz\u00f3n de la visi\u00f3n por computadora.<\/p>\n
Hasta ahora, los investigadores han logrado cierto \u00e9xito con CNN, mejorando significativamente el reconocimiento (\u00abextracci\u00f3n\u00bb ) de las dimensiones espaciales de las se\u00f1ales sEMG relacionadas con los gestos de las manos. Pero si bien manejan bien el espacio, luchan con el tiempo. Los gestos no son fen\u00f3menos est\u00e1ticos, sino que tienen lugar a lo largo del tiempo, y la CNN ignora la informaci\u00f3n del tiempo en la contracci\u00f3n continua de los m\u00fasculos.<\/p>\n
Recientemente, algunos investigadores han comenzado a aplicar una memoria neuronal artificial a largo plazo (LSTM, por sus siglas en ingl\u00e9s). arquitectura de red al problema. LSTM involucra una estructura que involucra conexiones de ‘retroalimentaci\u00f3n’, lo que le otorga un rendimiento superior en el procesamiento, la clasificaci\u00f3n y la realizaci\u00f3n de predicciones basadas en secuencias de datos a lo largo del tiempo, especialmente cuando hay pausas, brechas o interferencias de duraci\u00f3n inesperada entre los eventos que son importantes. LSTM es una forma de aprendizaje profundo que se ha aplicado mejor a tareas que implican actividades conectadas y no segmentadas, como la escritura a mano y el reconocimiento de voz.<\/p>\n
El colector de se\u00f1ales EMG de superficie y el diagrama de flujo de control manual ficticio. Cr\u00e9dito: Profesor asociado Dianchun Bai, Escuela de Ingenier\u00eda El\u00e9ctrica, Universidad Tecnol\u00f3gica de Shenyang <\/p>\n
El desaf\u00edo aqu\u00ed es que, si bien los investigadores lograron una mejor clasificaci\u00f3n de gestos de las se\u00f1ales sEMG, el tama\u00f1o del modelo computacional requerido es un problema grave. El microprocesador necesario para ser utilizado es limitado. Usar algo m\u00e1s poderoso ser\u00eda demasiado costoso. Y, por \u00faltimo, si bien estos modelos de entrenamiento de aprendizaje profundo funcionan con las computadoras del laboratorio, son dif\u00edciles de aplicar mediante el tipo de hardware integrado que se encuentra en un dispositivo prot\u00e9sico<\/p>\n
\u00abDespu\u00e9s de todo, las redes neuronales convolucionales se concibieron con im\u00e1genes el reconocimiento en mente, no el control de las pr\u00f3tesis\u00bb, dijo Dianchun Bai, uno de los autores del art\u00edculo y profesor de ingenier\u00eda el\u00e9ctrica en la Universidad Tecnol\u00f3gica de Shenyang. \u00abNecesit\u00e1bamos acoplar CNN con una t\u00e9cnica que pudiera manejar la dimensi\u00f3n del tiempo, al mismo tiempo que garantizaba la viabilidad en el dispositivo f\u00edsico que el usuario debe usar\u00bb.<\/p>\n
Entonces, los investigadores desarrollaron un modelo h\u00edbrido de CNN y LSTM. que combinaba las ventajas espaciales y temporales de los dos enfoques. Esto redujo el tama\u00f1o del modelo de aprendizaje profundo al mismo tiempo que logr\u00f3 una alta precisi\u00f3n, con una resistencia m\u00e1s robusta a la interferencia.<\/p>\n
Diagrama esquem\u00e1tico de 16 gestos complejos. Cr\u00e9dito: Dr. Liu Tie de la Escuela de Ingenier\u00eda El\u00e9ctrica de la Universidad Tecnol\u00f3gica de Shenyang. <\/p>\n
Despu\u00e9s de desarrollar su sistema, probaron el enfoque h\u00edbrido en diez sujetos no amputados que realizaron una serie de 16 gestos diferentes, como agarrar un tel\u00e9fono, sostener un bol\u00edgrafo, se\u00f1alar, pellizcar y agarrar una taza de agua. Los resultados demostraron un rendimiento muy superior en comparaci\u00f3n con CNN solo u otros m\u00e9todos tradicionales de aprendizaje autom\u00e1tico, logrando una precisi\u00f3n de reconocimiento de m\u00e1s del 80 por ciento.<\/p>\n
Sin embargo, el enfoque h\u00edbrido tuvo problemas para reconocer con precisi\u00f3n dos gestos de pellizco: un pellizco con el dedo medio y otro usando el dedo \u00edndice. En futuros esfuerzos, los investigadores quieren optimizar el algoritmo y mejorar a\u00fan m\u00e1s su precisi\u00f3n, mientras mantienen peque\u00f1o el modelo de entrenamiento para que pueda usarse en hardware de pr\u00f3tesis. Tambi\u00e9n quieren averiguar qu\u00e9 provoca la dificultad para reconocer los gestos de pellizco y ampliar sus experimentos a un n\u00famero mucho mayor de sujetos.<\/p>\n
En \u00faltima instancia, los investigadores quieren desarrollar una mano prot\u00e9sica que sea tan flexible y fiable como miembro original del usuario. <\/p>\n
Explore m\u00e1s<\/p>\n
Simple, preciso y eficiente: Mejorando la forma en que las computadoras reconocen los gestos de las manos M\u00e1s informaci\u00f3n:<\/strong> Dianchun Bai et al, Investigaci\u00f3n de aplicaciones sobre el algoritmo de optimizaci\u00f3n del reconocimiento de gestos sEMG basado en la luz Modelo CNN+LSTM, Cyborg y Bionic Systems (2021). DOI: 10.34133\/2021\/9794610 Proporcionado por Beijing Institute of Technology Press Cita<\/strong>: El enfoque de aprendizaje autom\u00e1tico h\u00edbrido da una mano a la precisi\u00f3n de los gestos de pr\u00f3tesis (2022, 7 de febrero) recuperado el 29 de agosto de 2022 de https: \/\/medicalxpress.com\/news\/2022-02-hybrid-machine-learning-approach-prosthetic-limb-gesture.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Diagrama esquem\u00e1tico y f\u00edsico de la ubicaci\u00f3n de las se\u00f1ales EMG de superficie recopiladas por el Dr. Tie Liu de la Escuela de Ingenier\u00eda El\u00e9ctrica de la Universidad Tecnol\u00f3gica de Shenyang. Cr\u00e9dito: Dr. Tie Liu, Escuela de Ingenier\u00eda El\u00e9ctrica, Universidad Tecnol\u00f3gica de Shenyang Los investigadores de ingenier\u00eda han desarrollado un enfoque de aprendizaje autom\u00e1tico h\u00edbrido … Continuar leyendo \u00abEl enfoque h\u00edbrido de aprendizaje autom\u00e1tico ayuda a la precisi\u00f3n de los gestos de las pr\u00f3tesis\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-8959","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/8959","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=8959"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/8959\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=8959"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=8959"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=8959"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}