开放、准确且无需校准的肌肉计算机接口

文献标题

Open, Accurate, and Calibration-Free Muscle-Computer Interfaces

出版信息

• 主题领域: 用于手势识别和实时交互的肌肉计算接口（MCIs）。
• 关键词: 肌肉计算接口、电肌图、免校准、手势识别、实时交互、开源、Myo Armband、人机交互、机器学习、可穿戴设备。

背景与问题

• 问题/挑战: 传统的MCIs需要用户特定的校准数据才能实现准确的手势识别，这限制了其通用性和可用性。最近的研究表明，免校准的MCIs是可能的，但这些方法依赖于专有数据集和硬件，限制了其可访问性和可复制性。
• 重要性: 免校准的MCIs可以为交互系统提供普遍适用的、免手操作的自然输入，但由于缺乏开放资源和可扩展解决方案，其发展受到了阻碍。
• 动机与相关工作: 先前的研究通过使用大型专有数据集和定制硬件展示了免校准的MCIs，在实时任务中实现了高准确性。然而，由于资源封闭，这些解决方案无法复制。本论文旨在通过利用开源工具、公共数据集和商品化硬件来解决这一问题。

解决方案

• 提出的方法: 使用开源软件、公开数据集以及广泛采用的参考设备Myo Armband开发免校准的MCIs。
• 创新点:
  1. 使用开放资源展示免校准MCIs在实时任务中对未见用户的泛化能力。
  2. 提供开源模型、代码和评估环境以支持复制和扩展。
• 过程与关键技术:
  • 使用EMG-EPN612数据集（612名参与者）训练基础模型。
  • 开发了两个实时交互任务：(1) 一维光标控制和 (2) 离散手势识别。
  • 设计了任务特定的机器学习模型：用于光标控制的连续模型和用于手势识别的离散模型。
  • 在不收集任何用户特定校准数据的情况下，对20名参与者进行了任务1评估，对15名参与者进行了任务2评估。

结果

• 具体发现:
  • 任务1（一维光标控制）：平均目标获取时间从1.63秒（第1组）减少到1.15秒（第5组），与先前的闭源基准结果相当。
  • 任务2（离散手势识别）：响应时间从1.53秒（第1组）减少到1.03秒（第4组），最终组的错误率为2.4%。
  • 离线分类准确率：连续模型为93.7%，离散模型为94.5%。
• 相较基线的优势:
  • 使用开源工具和公共数据集实现了与专有系统相当的性能。
  • 参与者在25–50次试验（约2–3分钟）内达到熟练程度，表现出良好的学习能力。
• 实验/评估:
  • 任务1：参与者通过手腕屈伸手势控制光标以获取目标。
  • 任务2：参与者执行离散手势以关闭提示。
  • 评估指标包括目标获取时间、响应时间和错误率。
• 局限性与未来工作:
  • 评估是在受控环境中进行的，限制了其对真实场景的泛化能力。
  • 虽然Myo Armband作为参考设备非常有用，但它已不再商业化销售。
  • 未来工作应关注跨设备泛化、更丰富的反馈机制以及解决非受控环境中的误触发问题。

总结

本文展示了免校准的MCIs可以通过开源工具、公共数据集和Myo Armband实现与专有系统相当的实时手势识别性能。开发并评估了两个交互任务——一维光标控制和离散手势识别，显示出无需校准即可对未见用户的强泛化能力。该研究贡献了开放模型、代码和评估环境，降低了复制和扩展的门槛。尽管真实场景部署仍面临挑战，但本研究标志着MCI研究民主化以及在交互系统中更广泛应用的重要一步。