Myo Action:通过肌电图和肌肉刺激加速自主动作
电肌肉刺激(EMS)控制力反馈与伪重力感情绪感知可穿戴设备物理治疗师与康复治疗师医生、护士、临床医生AI/ML 研究员与工程师
文献标题
Myo Action: Accelerating Voluntary Actions via Electromyography and Muscle Stimulation
出版信息
- 主题领域: 人机交互与用于反应时间加速的触觉辅助技术。
- 关键词: 肌电图(EMG)、电肌肉刺激(EMS)、反应时间加速、代理感、触觉辅助、基于决策的动作、用户意图、人机交互、运动控制、可穿戴设备。
背景与问题
- 问题/挑战: 现有基于EMS的反应时间加速系统通常会覆盖用户意图,导致代理感丧失。这些系统还需要广泛的时间校准,并在涉及决策的任务中(如go/no-go试验)表现不佳。
- 重要性: 反应时间加速在体育、游戏、安全和训练中具有重要应用。实现加速的同时保持用户代理感对于可用性、伦理和用户接受度至关重要。
- 动机与相关工作: 之前的EMS系统依赖于预先刺激,这削弱了代理感,尤其是在基于决策的任务中。尽管EMG已被用于运动检测,但尚无系统成功结合EMG和EMS在保持代理感的同时加速反应时间。
解决方案
- 提出的方法: Myo-Action系统利用EMG检测肌肉激活的起始,并触发EMS以加速自主运动,同时保持用户的代理感。
- 创新点:
- 结合EMG和EMS实现反应时间加速,同时不覆盖用户意图。
- 以超低延迟(约290 μs)运行,确保及时干预。
- 在基于决策的任务中(如go/no-go试验)表现出代理感的保持。
- 消除了对刺激时间预校准的需求。
- 流程与关键技术:
- EMG检测目标肌肉在运动发生前的早期神经激活。
- EMS诱导比自主控制更快的肌肉收缩。
- 低延迟硬件系统在约290 μs内处理EMG信号并触发EMS。
- 系统包括模拟滤波、光学切换和自适应信号处理,确保可靠且精确的操作。
结果
- 具体发现:
- Myo-Action将反应时间减少了约23毫秒,相较于自主动作(p < 0.0001,Cohen’s d = 0.85)。
- 在基于决策的任务中保持代理感,go试验的代理感评分显著更高(5.3 vs. 3.5),no-go试验亦然(6.1 vs. 1.5),相比基线EMS。
- EMG触发EMS的检测准确率高(F1 = 0.95)。
- 相较基线的优势:
- 无需预校准即可实现反应时间加速,与基线EMS系统不同。
- 在基于决策的任务中显著更高的代理感保持,相较于预先刺激的EMS。
- 实验/评估:
- 参与者: 12名个体(7男,4女,1非二元性别;平均年龄=23.9岁)。
- 任务: 无决策反应时间任务、基于决策的反应时间任务(go/no-go),以及探索性应用(抓笔和电子游戏)。
- 指标: 反应时间、代理感评分(7点Likert量表)和检测准确率。
- 局限性与未来工作:
- 当前实现仅支持单一肌肉,缺乏运动分类功能。
- 由于参与者样本规模小且同质性强,普适性有限。
- 系统在动态环境和多肌肉交互中的性能尚未探索。
- 未来工作包括高级EMG处理、多通道支持以及在更动态场景中的评估。
总结
Myo-Action提出了一种通过EMG触发EMS加速反应时间的新方法,同时保持用户代理感。该系统实现了约23毫秒的反应时间减少,并在基于决策的任务中显示出显著更高的代理感,相较于基线EMS。通过消除预校准需求并确保低延迟操作,Myo-Action在体育、游戏和安全等领域的触觉辅助应用中展现了广阔前景。未来工作将聚焦于多肌肉交互、动态环境以及更广泛的用户评估。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3791103
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
4 位作者
sell
研究子方向
电肌肉刺激(EMS)控制、力反馈与伪重力感、情绪感知可穿戴设备
work
职业/产业
物理治疗师与康复治疗师、医生、护士、临床医生、AI/ML 研究员与工程师
article
内容状态
已索引正文
hub
相关论文
1 篇相关论文