Key points are not available for this paper at this time.
Die myoelektrische Prothese ist ein vielversprechendes Werkzeug zur Wiederherstellung der Handfähigkeiten von Amputierten, aber die Klassifikationsgenauigkeit der Oberflächen-Elektromyographie (sEMG) ist nicht hoch genug für eine Echtzeitanwendung. Forscher schlugen vor, sEMG-Signale mit einem anderen Merkmal zu integrieren, das nicht von der Amputation betroffen ist. Die starke Koordination zwischen Vision und Handmanipulation lässt uns in Betracht ziehen, visuelle Informationen in die Steuerung von Prothesenhänden einzubeziehen. In dieser Studie identifizierten wir einen optimalen Zeitraum während der frühen Erreichungsphase, in dem die visuellen Daten eine höhere Genauigkeit bei der Klassifikation der Griffmuster liefern konnten. Darüber hinaus könnten die visuellen Klassifikationsergebnisse aus der optimalen Phase auf natürliche Weise mit den während der Griffphase gesammelten sEMG-Daten integriert werden. Nach der Integration stieg die Genauigkeit der Griffklassifikation von 85,5 % (nur sEMG) auf 90,06 % (integriert). Das Wissen, das aus dieser Studie gewonnen wurde, ermutigt uns, weitere Methoden zur Integration von Computer Vision in myoelektrische Daten zu erkunden, um die Bewegungssteuerung von Prothesenhänden zu verbessern.
Wang et al. (Fri,) studierten diese Frage.