基于机器学习的假肢臂教学策略比较

基于模式识别的臂部假肢依靠识别肌肉激活来触发动作。这种方法的有效性不仅取决于机器学习者的性能，还取决于用户对其识别能力的理解，使他们能够适应和克服识别失败。我们研究了不同的模型训练策略来选择手势类别和记录相应的肌肉收缩，如何影响模型准确性和用户理解。我们报告了一项实验室实验，参与者在三种条件下训练分类器执行手势：（1）系统随机提示手势类别（对照组），（2）用户选择手势类别（教师主导），（3）系统根据其可分离性查询手势类别（学习者主导）。训练后，我们比较了模型的准确性并测试了参与者对假肢行为的预测理解。我们发现教师主导和学习者主导策略分别产生更快和更大的性能提升。结合两种评估方法，我们发现当系统查询最不易分离的手势类别（学习者主导）时，参与者形成了更准确的心理模型。我们的结论是，在基于机器学习的肌电假肢控制背景下，引导用户在训练时关注类别可分离性可以提高识别性能并支持用户关于系统行为的心智模型。我们结合肌电假肢控制、运动学习、人机交互和交互式机器学习等多个研究领域讨论了我们的结果。