目的：力肌电图(FMG)，它测量了收缩肌施加的表面压力轮廓，并被提出作为替代肌电图(EMG)人机界面。虽然基于FMG模式识别的控制系统产生了更高的离线分类精度，但检查了相对较少的工作FMG实时控制的可用性。在这项工作中，我们使用分类和回归控制器对基于肌电图和FMG综合比较方案。方法：共有20名参与者基于FMG和emg双自由度的分类和回归控制方案Fitts定律虚拟目标获取任务。基于标准的性能评估Fitts定律测试指标、吞吐量、路径效率、平均速度、超时次数、超调、停止距离和同时性。结果：基于FMG的分类系统在吞吐量（0.902±0.270）和（0.751±0.309）、（ρ<0.路径效率(87).2±8.7）和（83.2±7.8）、（ρ<0.00)比基于肌电图的分类系统更好。同样，基于FMG吞吐量明显优于0.871±0.2）和（0.69±0.3）、（ρ<0.001）。结论:无论使用哪种控制器，都是基于FMG方案优于基于肌电图的方案。这为FMG进一步证据是人机界面肌电图的可行替代方案。意义：本工作描述了使用序列分类和回归控制FMG-和EMG综合评价基于控制的在线可用性。

介绍

上肢假体控制模式的选择和适用性取决于控制输入的数量和被控设备的复杂性。随着多自由设备的可用性，基于识别的肌电控制系统可以直观地控制多自由[1]-[3]，现已成为最先进的临床技术。
虽然肌电图在修复领域非常重视，但力肌电图(FMG)人机界面[4]-[6]也被提出为可能。FMG收缩过程中产生的电活动不是用力感应元件来测量皮肤表面(或皮肤-窝界面)的压力分布。在离线研究[2]中，这些压力曲线随收缩而变化，FMG已被证明比基于肌电图的系统统。例如，Radmand等人研究高密度FMG(hd-FMG)该系统在8类实验中获得99.7%的分类精度。
由于必要仪器的成本、舒适性和复杂性，通常使用8个以上的肌电传感器是不现实的，但力传感器可以在一个阵列中轻松、廉价地单独或制造。因此，力传感电阻(FSRs)常用于涉及FMG[5]，[7]-[10]的研究，因为它们是廉价和通用的力传感选择。对基于光学[13]的其他电阻[11]、气动[12]和压力传感器进行了评估。从只有8个传感器[14]到压敏元件[6]的高密度网格，甚至同时收集肌电图和FMG系统数据[11]。
鉴于其适度的研究重点和肌电信号，FMG虽然模式识别可能构成潜在的优势肌电图，但它是一个自然过滤信号，需要更复杂的仪器，更低的采样率，更随机和更高的带宽肌电信号。虽然类似的缓解方法已经被证明是有益的，但它已经被证明面临着类似肌电图的挑战。例如，当使用多个位置或合并动态肢体位置[6]和[15]时，对肢体位置的变化提高了鲁棒性。
在肌电图研究中，基于模式识别的控制领域广泛主导了两种不同的控制模式。一是基于分类的控制方案，研究使用表面[16]、肌内[17]和组合肌电信号[18]，并将特征空间分为不同类别。此外，基于回归的方法，控制输入连续映射到多个自由度(DoF)中间位置或速度空间。在过去的十年里，基于肌电图的系统研究广泛采用了离线指标和实时可用性测试[15]、[19]-[21]。FMG回归控制研究主要集中在预测能力预测握力或手腕旋转前/旋转后的自由度[22]，尽管人机接口[23]和[24]中使用了一些预测扭矩。
然而，在之前的研究中获得的高分类精度并不能保证FMG实时使用的设备具有鲁棒性。2005年，Lock等人[25]发现，在虚拟功能测试中，基于肌电图的模式识别显示离线分类精度与完成时间的相关性较低。这在一定程度上是因为可用性涉及括反馈[26]-[28]、对任务本身的理解[30]、[31]、动态，如比例控制[32]、[33]、长期信号稳定性和可重复性[34]、[35]。类似地，ortiz-加泰罗尼亚等人提出，离线的准确性甚至可能误导[35]。
尽管在以前FMG研究[6]、[36]-[39]表明，高离线分类精度非常有前途，但实时可用性仍未在很大程度上探索。在这项工作中，我们使用基于回归的分类和控制器来获得实时目标EMGs和FMG直接比较了模式识别。

方法

参与者

20名右撇子和健康参与者参与了这项研究(19名男性，1名女性，平均年龄29岁.55岁，±9.77岁)。新不伦瑞克大学研究伦理委员会提供了所有参与者的知情同意(REB根据加拿大三委关于人类研究伦理行为的政策声明，#2015-133)批准。

实验规则

参与者舒适地坐着，用肘部和手腕放在扶手上，还有手腕和手的约束，以限制手臂的任何意外运动，如图1所示。

所有的视觉提示和数据收集都是自定义的MATLAB如图2[40]所示，图形用户界面完成后，该界面显示参与者控制的视觉目标和光标。

基于肌电图和FMG对系统、分类和回归控制方法的研究如下。在分类训练中，我们获得了5类运动的数据(手腕旋后、手开/关、无运动休息)的数据。对于每个活动，收集44秒的重复训练，让用户动态收缩，强度匹配基于屏幕的正弦提示，从休息到峰值收缩，然后逐渐减少回到休息。正弦提示符可作为分类(方向)和回归(方向和振幅)[41]的目标。为了回归，每个自由度训练一个独特的回归变量，通过在拮抗剂运动中振荡(手腕旋转前和手打开/关闭)。这些回归训练过程每次持续8秒，以确保两种控制方案之间的训练数据相同。

DMG数据处理

使用8个UNB智能电极[42]袖带收集肌电号。信号模拟60赫z的陷波滤波器，在20-450赫兹之间使用三阶巴特沃斯滤波器，并在1000赫兹中取样。袖带放置在受试者的前臂周围，约为肘部到手腕的三分之一。
从160 ms重叠16 ms肌电图特征从窗口中提取。提取Hudgins等人提出的共同时域特征集(平均绝对值、波形长度、零交叉、斜率符号变化)代表肌电图数据进行分类。对于分类系统，从所有五类中提取的特征训练具有线性核支撑向量机(SVM)分类器通过平均绝对值(MAV)比例控制方法[44]。对于回归，单独支持向量回归训练两种自由(SVR)模型。提取与分类相同TD特征，并以视觉提示作为训练目标对模型进行训练。在每种情况下，重新标记来自其他自由度的主动数据，并在训练中包含休息，以减少潜在的无意激活（例如，手腕旋转前的时间包括在手开/关闭自由度的训练中，但标记为无运动）[22]和[45]。

FMG数据处理

FMG信号是由三个由智能皮肤技术公司(弗雷德里克顿、新不伦瑞克)提供的定制插座组成的。16个×24个传感器元件的网格与[6]中使用的网格相似，但具有较高的分辨率用性)。传感器网格粘在热固性塑料袖套上（大致适用于前臂平均尺寸，具有一定的灵活性，以适应一系列受试者），并锚定在前臂的近端。智能皮肤板包括自己的内部采样系统，蓝牙15hz传感器值的速率传输完整。
虽然FMG袖口共有384个传感器元件，但之前已经证明[6]有很多传感器是不必要的。因此，只使用6个连续的圆周行(共144个传感器)来避免使用远端行或那些受插座匹配[46]影响的行。以回归目标为选择标准，)选择标准r选择相关系数。不同于随机和高度可变的肌电图，FMG机械过程自然过滤信号。因此，可始压力传感器的输出可以直接用作FMG分类特征。基于肌电图的情况下使用FMG训练分类系统的5种运动SVM分类器。同样，我们使用与上述肌电图相同的方法来训练相应的基础FMG回归系统。

基于FMG的比例控制

基于实时肌电图分类的控制是通过将分类器输出与通常报告的比例控制方案(所有通道的平均绝对值)[31]匹配来实现的。对于FMG，由于平均水平，这种传统方法是不够的FMG值不会随着收缩强度[46]而单调增加。虽然是平均振幅FMG通道与某些运动（主要表现为手臂周围压力的均匀增加）合理相似，其他运动表现为收缩水平与某些通道上记录的压力（肌肉向内收缩）的反比。
在[46]中引入了一个基础FMG线性组合类特定比例控制方案的信道值。对肌电图[47]也报道了类似的特异性方法。该方法以分类器训练数据和相应视觉提示的振幅为目标，训练特定类别SVR实现回归模型。这样，比例控制输出Fitts用于定律风格检验和当前识别FMG计算对应类的特定回归模型。图3显示了该方法的性能实例。

性能鉴定

在目标采集测试中，如之前在[16]、[41]、[41]、[48]和[49]中报道的那样，使用吞吐量、路径效率、加班次数、超调、停止距离和平均速度来评估性能。对于基于回归的控制任务，还采用了以下定义的额外测量-运动的同时性。
…
…

结果

目标获取轨迹

图中。4和5展示了一个具有代表性和没有经验的参与者在每种控制类型的四次试验中提示目标时所走的路径的例子。请注意，测试的旋转元素，如图2所示，在这里映射到水平轴上，以便更容易地可视化时间序列。垂直轴表示和Fitts测试相同的垂直运动(手开/关)。另外，请注意，每张图都显示了四次试验中叠加在一起的各种图片fitts的目标。图中。4(a)和5(a)分别展示了EMG和FMG而图。4(b)和5(b)同时激活基于回归的控制器部分。