Key points are not available for this paper at this time.
Die Entwicklung von Deep-Learning-Techniken war transformativ, da sie es ermöglicht haben, komplexe Zuordnungen zwischen Steuerungseingaben und -ausgaben ohne die Notwendigkeit der Merkmalsverarbeitung zu trainieren. In dieser Arbeit wird ein myoelektrisches Steuerungssystem auf der Basis von konvolutionalen neuronalen Netzwerken (CNN) als mögliche Alternative zu traditionellen Ansätzen vorgeschlagen, die auf speziell gestalteten Merkmalen basieren. Dieses CNN-basierte System wird anhand eines Echtzeit-Tests zur Zielfindung nach Fitts' Gesetz validiert, der einzelne und kombinierte Handgelenkbewegungen erfordert. Die Leistung des vorgeschlagenen Systems wird anschließend mit der eines standardmäßigen myoelektrischen Systems auf der Basis der Unterstützung von Vektormaschinen (SVM) mithilfe einer Reihe von Zeitbereichsmerkmalen verglichen. Trotz der Verbreitung und der nachgewiesenen Leistung dieser bekannten Merkmale wurde kein signifikanter Unterschied (p>0,05) zwischen den beiden Methoden für eines der berechneten Steuerungsmetriken gefunden. Dies zeigt das Potenzial automatisierter Lernansätze zur Extraktion komplexer und reicher Informationen aus stochastischen biologischen Signalen. Diese erste Bewertung der Benutzerfreundlichkeit eines CNN in einer Echtzeit-myolektrischen Steuerungsumgebung bietet eine Grundlage für weitere Erkundungen.
Ameri et al. (Thu,) untersuchten diese Frage.