SoftPINCH：肌电驱动的软体外骨骼辅助手指屈曲和抓握

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: 2606.04776v1

分类: cs.RO

📝 论文摘要

表面肌电图（sEMG）提供了一种非侵入性接口，可用于检测手部运动意图并控制可穿戴辅助设备。然而，由于EMG信号受噪声、运动伪影、电极位置、肌肉疲劳及个体间差异影响，基于EMG的可靠手部辅助仍具挑战性。同时，许多手部外骨骼在机械结构上存在限制或体积笨重，降低了舒适性和自然手部运动能力。本研究提出SoftPINCH——一种基于EMG驱动的软体可穿戴外骨骼，用于拇指-食指屈曲及捏合力辅助。该系统结合了腱驱动软体外骨骼、指尖磁接触传感以及基于神经EMG解码的意图驱动辅助。在食指和拇指运动期间记录前臂肌肉的表面EMG，并评估了三种受试者无关的解码架构：LSTM、CNN+LSTM以及带注意力机制的CNN+LSTM。CNN+LSTM与CNN+LSTM-Attention模型均达到99.4%的留一受试者（LOSO）测试准确率，优于单独LSTM模型的97.8%。然而，注意力机制相较于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EMG表征。因此，综合考虑高精度与较低架构复杂度，选择CNN+LSTM模型进行实时部署。功能评估表明，主动外骨骼辅助在孤立手指屈曲及物体抓取时减少了肌肉用力。在负重抓取实验中，辅助在所有测试负载下均降低了肌肉用力，最高负载时减少达92.6%。这些结果证明了SoftPINCH通过基于EMG驱动的软体机器人实时控制实现直观、低耗力捏合辅助的潜力。

📊 核心分析

🎯 研究动机

- 表面肌电(sEMG)信号用于手部意图检测时受噪声、运动伪迹、电极放置、肌肉疲劳和个体差异干扰，导致可靠控制困难 - 现有手部外骨骼机械结构限制或笨重，影响舒适性和自然手部运动 - 研究背景：需要一种既可靠又舒适的**肌电驱动(EMG-driven)** 软外骨骼系统，实现手指屈曲和捏握辅助

🔧 核心方法

- 设计**SoftPINCH** 系统，结合**肌腱驱动软外骨骼(tendon-driven soft exoskeleton)**、**指尖磁接触传感(fingertip magnetic contact sensing)** 和**神经EMG解码(neural EMG decoding)** - 从前臂肌肉记录sEMG，评估三种与个体无关(subject-independent)的解码架构：**LSTM**、**CNN+LSTM** 和**CNN+LSTM+注意力(CNN+LSTM-attention)** - 选择**CNN+LSTM** 模型实时部署，因其达到99.4% LOSO准确率且复杂度低于带注意力的变体

💡 核心创新

- **首次将软外骨骼、磁接触传感和CNN+LSTMEMG解码集成**，实现高准确率（99.4% LOSO）的意图识别 - **免于个体依赖(subject-independent)**：CNN+LSTM架构无需针对用户单独校准即可达到99.4%准确率，优于单一LSTM（97.8%） - **显著降低肌肉努力**：主动辅助在负重抓取中最高减少92.6%的肌肉活动，且在所有负载下均有效

🏆 总体贡献

- 提供了一种**EMG驱动的软可穿戴外骨骼系统**，解决了现有手部辅助设备在可靠性和舒适性上的双重挑战 - 验证了**CNN+LSTM架构** 在实时EMG解码中的有效性，并指出注意力机制非必要，简化了系统设计 - 通过功能性评估量化了辅助对肌肉努力的降低效果（最高92.6%），为低努力、直观的捏握辅助奠定基础