← 返回论文列表

SoftPINCH：肌电驱动软体外骨骼辅助手指屈曲与抓取
SoftPINCH: EMG-Driven Soft Exoskeleton Assistance for Finger Flexion and Grasping

作者: Nicklas Nikolaj Grønvall, Magnus Malthe Sigsgaard Nielsen, Xiaofeng Xiong 等4人
arXiv: 2606.04776
分类: cs.RO
📝 论文摘要
表面肌电信号（sEMG）为检测手部运动意图和控制可穿戴辅助设备提供了非侵入性接口。然而，由于肌电信号易受噪声、运动伪影、电极放置位置、肌肉疲劳及受试者间差异的影响，基于肌电信号的可靠手部辅助仍然具有挑战性。同时，许多手部外骨骼在机械结构上仍存在限制或体积庞大，影响了佩戴舒适性与自然手部运动。本研究提出SoftPINCH——一种基于肌电信号驱动的软可穿戴外骨骼，用于拇指与食指屈曲及捏合力辅助。该系统结合了肌腱驱动的软体外骨骼、指尖磁性接触传感及用于意图识别的神经肌电解码。在食指和拇指运动过程中采集前臂肌肉的表面肌电信号，并评估了三种非特定受试者的解码架构：LSTM、CNN+LSTM及带注意力机制的CNN+LSTM。CNN+LSTM和带注意力机制的CNN+LSTM模型均达到99.4%的留一受试者交叉验证测试准确率，优于单独LSTM模型的97.8%。然而，注意力机制相比CNN+LSTM并未带来显著提升，表明基于CNN的特征提取已足以实现稳健的肌电信号表征。因此，考虑到高准确率和较低架构复杂度，选择CNN+LSTM模型进行实时部署。功能评估表明，主动外骨骼辅助在单指屈曲和抓取物体时可降低肌肉用力。在负重抓取过程中，辅助在所有测试负载下均降低了肌肉用力，最高负载下降低幅度达92.6%。这些结果证明了SoftPINCH通过基于肌电信号的实时软体机器人控制实现直观、低耗力捏合辅助的潜力。

📊 核心分析

🎯 研究动机
- 表面肌电图(sEMG)提供非侵入式接口检测手部运动意图并控制可穿戴辅助设备，但EMG信号受噪声、运动伪影、电极位置、肌肉疲劳和个体差异影响，导致可靠的手部辅助仍具挑战 - 现有手部外骨骼机械结构限制大或笨重，影响舒适性和自然手部运动 - 研究背景：需要一种舒适、直观且低努力的手指屈曲和抓握辅助系统
🔧 核心方法
- 提出**SoftPINCH** 系统，集成**肌腱驱动软外骨骼(tendon-driven soft exoskeleton)**、指尖磁性接触传感和神经EMG解码，用于拇指-食指屈曲和捏合辅助 - 采集前臂肌肉表面肌电信号，评估三种**主体无关(subject-independent)** 解码架构：**LSTM**、**CNN+LSTM** 和**CNN+LSTM with attention** - 选择**CNN+LSTM** 模型进行实时部署，因其达到99.4%留一对象测试(LOSO test)准确率且架构复杂度较低 - 结合**磁性接触传感(magnetic contact sensing)** 实时检测抓握状态
💡 核心创新
- **首创性**：提出EMG驱动的软可穿戴外骨骼，结合**指尖磁性接触传感(fingertip magnetic contact sensing)** 和**神经网络解码(neural decoding)**，实现基于意图的辅助 - **性能提升**：CNN+LSTM和带注意力变体均达到99.4%的LOSO测试准确率，优于单独LSTM的97.8%，说明CNN特征提取足以实现鲁棒EMG表示 - **效果显著**：在最高负载下，主动外骨骼辅助减少肌肉努力达**92.6%**，显著降低用户用力 - **实用设计**：选择较低复杂度的CNN+LSTM模型实现实时控制，避免注意力机制的额外开销
🏆 总体贡献
- 为手部外骨骼领域提供了一种**EMG驱动软机器人控制(EMG-driven soft robotic control)** 的新范式，实现直觉式低努力捏合辅助 - 系统在功能评估中证明能有效降低手指屈曲和物体抓握期间的肌肉努力，覆盖多种负载条件 - 通过公开解码架构比较和选型，为后续EMG驱动辅助系统的设计提供了参考基准（CNN+LSTM达到99.4%准确率） - 展示了**软外骨骼(soft exoskeleton)** 与**神经接口(neural interface)** 结合在康复和辅助技术中的潜力