Geschreven door: Erik Prinsen
De afgelopen vijf jaar heeft Roessingh Research and Development (RRD) deelgenomen aan het H2020 MyLeg project (http://www.myleg.eu), gecoördineerd door Raffaella Carloni van de Rijksuniversiteit Groningen. Binnen dit project was RRD verantwoordelijk voor de high-level aansturing van een te ontwikkelen gemotoriseerde transfemorale prothese. Het uiteindelijke doel van het project was het maken van een slimme en intuïtieve prothese die compatibel was met osseo-integratie. In overeenstemming met de FAIR-principes zijn alle verzamelde gegevens van personen zonder amputatie nu als open access gepubliceerd. We hebben ook een open access artikel gepubliceerd waarin de data worden beschreven dat hier te vinden is: https://www.nature.com/articles/s41597-023-02341-6. In dit artikel leggen we uit wat we hebben gedaan, wat de database is en waar deze kan worden gevonden.
Intentieherkenning met behulp van EMG
Oppervlakte-elektromyografie (sEMG) is een niet-invasieve techniek die zinvolle informatie zou kunnen leveren voor het herkennen van intenties tot bewegen. Intenties tot bewegen zijn besluiten om te bewegen of de toestand waarin men zich bevindt te veranderen. Wanneer we bijvoorbeeld een trap naderen, passen we onze stappen zo aan dat we onze voeten perfect positioneren om de trap op te gaan. Deze intentie kan worden vastgelegd met behulp van de signalen die onze spieren het commando geven om samen te trekken, precies wat sEMG registreert en analyseert.
De behoefte aan veel gegevens
Er zijn ook nadelen aan sEMG. sEMG heeft last van verstorende factoren zoals spiervermoeidheid, verschillen in elektrodeplaatsing en intra-subject variabiliteit. Dit betekent dat een controleschema dat sEMG gebruikt de ene dag goed kan werken, maar de volgende dag slechte resultaten kan opleveren. Daarom zijn er veel gegevens nodig om de variabiliteit van sEMG tussen proefpersonen en tussen dagen vast te leggen om robuuste systemen te ontwikkelen die intenties tot bewegen goed kunnen herkennen. Bovendien is het detecteren van de overgang van de ene activiteit naar de andere moeilijker dan het detecteren van een voortzetting van de activiteit. Daarom is het nodig om databases te hebben die rijk zijn aan deze overgangen zodat algoritmes goed getraind kunnen worden.
De RRD MyPredict-database
In de afgelopen drie jaar hebben we de Roessingh Research & Development-MyLeg Database voor activiteitsvoorspelling (MyPredict) verzameld, die gegevens bevat van 55 proefpersonen in 85 meetsessies. Deze proefpersonen voerden allerlei loopgerelateerde activiteiten uit, waaronder gewoon lopen, het lopen op ongelijk terrein zoals gras en traplopen, terwijl ze vrij van de ene activiteit naar de andere overgingen. Tijdens deze metingen verzamelden we kinematica en sEMG in verschillende vormen, zowel met traditionele bipolaire sEMG als met 64-kanaals multi-array sEMG.
De gegevens
We hebben gebruik gemaakt van draagbare meetsystemen, waardoor we gemakkelijk binnen het laboratorium, maar ook daarbuiten kunnen meten. Op deze manier hebben we een rijke dataset met loopactiviteiten in verschillende omgevingen. Daarnaast hebben we 10 proefpersonen op vier verschillende dagen in een week tijd gemeten. Deze metingen stellen onderzoekers in staat om de invloed van tijd en elektrodeplaatsing op systemen die intenties tot bewegen detecteren te onderzoeken, een cruciaal aspect in het verbeteren van de robuustheid en het aanpassingsvermogen van deze systemen.
Validatie van gegevens
Een essentiële validatiestap bestond uit het vergelijken van de MyPredict database met andere openbaar beschikbare datasets. De resultaten van deze vergelijking lieten een uitstekende correlatie zien en bevestigden de betrouwbaarheid en kwaliteit van de MyPredict database. Op deze manier hebben we aangetoond dat deze database een waardevolle bron kan zijn voor de onderzoeksgemeenschap.
Waarvoor kan het worden gebruikt
De MyPredict database biedt onderzoekers de mogelijkheid om zich te verdiepen in sEMG-gegevens en om intentherkenningssystemen te ontwikkelen en te verfijnen. Deze uitgebreide dataset biedt een basis voor verdere studies op het gebied van menselijke motorische intentieherkenning. Onderzoekers kunnen innovatieve algoritmen, technieken voor machine learning en signaalverwerkingsmethoden verkennen om het volledige potentieel van sEMG-gegevens te ontsluiten. Uiteindelijk is het de bedoeling om praktische toepassingen te ontwikkelen die sEMG-signalen gebruiken om mens-machine interacties te verrijken.
Waar te vinden
De database is toegankelijk via https://doi.org/10.4121/20418720. De gegevensverzameling werd ondersteund door het Horizon 2020-programma voor onderzoek en innovatie van de Europese Unie, met subsidienummer 780871.
