Grundlegende Problemstellung und Zielsetzung

Allgemein: Intelligente Prothesensteuerung basiert auf der Messung von Muskelsignalen an der Hautoberfläche. Spezifische Signalmuster, die bestimmten Armbewegungen entsprechen, werden gelernt und dienen zur Steuerung.

Problem: Sensorverschiebungen, die besonders beim An- und Absetzen von Prothesen auftreten können, führen zu Veränderungen der gemessenen Signalmuster. Dies stört eine zuverlässige Steuerung.

Ziel: Robuste Steuerung von Prothesen im Alltagseinsatz, insbesondere in Bezug auf Sensorverschiebungen.

Keywords / Stichworte: Lernende Assistenzsysteme, Datengetriebene Optimierung, Lernen auf Datenströmen, Lernen mit Vorwissen, Eingebettetes Lernen

Technisches System

Die ML-Lösung wurde mithilfe des Myo-Gestensteuerungsarmbands entwickelt und getestet.

Welche Sensoren sind in der Technologie integriert?

Elektromyographie (EMG) Sensoren
Beschleunigungssensoren

Welche Daten werden erhoben?

Elektrische Muskelsignale
Beschleunigung (m/s^2) (inklusive Richtungsinformation)

Lösungsansatz

ML-Methode:
Überwachtes Transferlernen: Signalmuster werden zunächst klassifiziert, gefolgt von Transferlernen zur Kompensation von Sensorverschiebungen

Nach welchen allgemeinen inhaltlichen Kriterien werden Entscheidungen getroffen? Wie ist deren Gewichtung?

Kriterien für die Steuerung sind empfangene Muskelsignale gemessen an der Hautoberfläche, die bestimmten Armbewegung entsprechen.

Werden neue Merkmale erarbeitet, die nicht speziell erfasst werden (z.B. Kombination erhobener Merkmale)?

Ja, das Transferlernen basiert auf Linearkombinationen der ursprünglichen Merkmale.

Nach welchen allgemeinen inhaltlichen Kriterien wird gelernt?

Die Lösung basiert auf 2 Lernschritten:

Klassifikation: Das System lernt zu erkennen, welche Muster aus Muskelsignalen welchen Bewegungen entsprechen.
Transferlernen: Das System errechnet automatisch eine Korrektur, sodass die Signale nach einer Sensorverschiebung den Signalen vor der Verschiebung entsprechen.

Beispielimplementation

Hier geht es direkt zur Beispielimplementation dieser Lösung.

Präsentationen und Publikationen

Paaßen, B., Schulz, A., Hahne, J., & Hammer, B. (2018). Expectation maximization transfer learning and its application for bionic hand prostheses. Neurocomputing, 298, 122-133.

Prahm, C., Paassen, B., Schulz, A., Hammer, B., & Aszmann, O. (2017). Transfer learning for rapid re-calibration of a myoelectric prosthesis after electrode shift. In Converging clinical and engineering research on neurorehabilitation II (pp. 153-157). Springer, Cham.

Prahm, C., Schulz, A., Paaßen, B., Schoisswohl, J., Kaniusas, E., Dorffner, G., … & Aszmann, O. (2019). Counteracting Electrode Shifts in Upper-Limb Prosthesis Control via Transfer Learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 27(5), 956-962.