This work examines two different types of myoelectric control schemes for the purpose of rehabilitation robot applications. The first is a commonly used technique based on a Gaussian classifier. It is implemented in real time for healthy subjects in addition to a subject with Central Cord Syndrome (CCS). The myoelectric control scheme is used to control three degrees of freedom (DOF) on a robot manipulator which corresponded to the robot's elbow joint, wrist joint, and gripper. The classes of motion controlled include elbow flexion and extension, wrist pronation and supination, hand grasping and releasing, and rest. Healthy subjects were able to achieve 90% accuracy. Single DOF controllers were first tested on the subject with CCS and he achieved 100%, 96%, and 85% accuracy for the elbow, gripper, and wrist controllers respectively. Secondly, he was able to control the three DOF controller at 68% accuracy. The potential applications for this scheme are rehabilitation and teleoperation. To overcome limitations in the pattern recognition based scheme, a second myoelectric control scheme is also presented which is trained using electromyographic (EMG) data derived from natural reaching motions in the sagittal plane. This second scheme is based on a time delayed neural network (TDNN) which has the ability to control multiple DOF at once. The controller tracked a subject's elbow and shoulder joints in the sagittal plane. Results showed an average error of 19° for the two joints. This myoelectric control scheme has the potential of being used in the development of exoskeleton and orthotic rehabilitation applications.

中文翻译：

---

康复机器人的肌电控制技术

这项工作检查了两种不同类型的肌电控制方案，以用于康复机器人的应用。第一种是基于高斯分类器的常用技术。除患有中枢脊髓综合症（CCS）的受试者外，它还对健康受试者实时实施。肌电控制方案用于控制机器人操纵器上的三个自由度（DOF），该自由度对应于机器人的肘关节，腕关节和抓手。受控制的运动类别包括肘部弯曲和伸展，腕部内旋和仰卧，手握紧和释放以及休息。健康的受试者能够达到90％的准确性。最初使用CCS对单个自由度控制器进行了测试，他的肘部，抓手和腕部控制器的准确度分别达到100％，96％和85％。其次，他能够以68％的精度控制三个自由度控制器。该方案的潜在应用是康复和远程操作。为了克服基于模式识别的方案的局限性，还提出了第二种肌电控制方案，该方案使用从矢状面中自然到达运动得到的肌电图（EMG）数据进行训练。第二种方案基于时延神经网络（TDNN），该网络具有一次控制多个自由度的能力。控制器在矢状面中跟踪对象的肘关节和肩关节。结果显示两个关节的平均误差为19°。这种肌电控制方案具有开发外骨骼和矫形康复应用的潜力。该方案的潜在应用是康复和远程操作。为了克服基于模式识别的方案的局限性，还提出了第二种肌电控制方案，该方案使用从矢状面中自然到达运动得到的肌电图（EMG）数据进行训练。第二种方案基于时延神经网络（TDNN），该网络具有一次控制多个自由度的能力。控制器在矢状面中跟踪对象的肘关节和肩关节。结果显示两个关节的平均误差为19°。这种肌电控制方案具有开发外骨骼和矫形康复应用的潜力。该方案的潜在应用是康复和远程操作。为了克服基于模式识别的方案的局限性，还提出了第二种肌电控制方案，该方案使用从矢状面中自然到达运动得到的肌电图（EMG）数据进行训练。第二种方案基于时延神经网络（TDNN），该网络具有一次控制多个自由度的能力。控制器在矢状面中跟踪对象的肘关节和肩关节。结果显示两个关节的平均误差为19°。这种肌电控制方案具有开发外骨骼和矫形康复应用的潜力。还提出了第二种肌电控制方案，该方案使用从矢状面中自然到达运动得到的肌电图（EMG）数据进行训练。第二种方案基于时延神经网络（TDNN），该网络具有一次控制多个自由度的能力。控制器在矢状面中跟踪对象的肘关节和肩关节。结果显示两个关节的平均误差为19°。这种肌电控制方案具有开发外骨骼和矫形康复应用的潜力。还提出了第二种肌电控制方案，该方案使用从矢状平面中自然到达运动得到的肌电图（EMG）数据进行训练。第二种方案基于时延神经网络（TDNN），该网络具有一次控制多个自由度的能力。控制器在矢状面中跟踪对象的肘关节和肩关节。结果显示两个关节的平均误差为19°。这种肌电控制方案具有开发外骨骼和矫形康复应用的潜力。第二种方案基于时延神经网络（TDNN），该网络具有一次控制多个自由度的能力。控制器在矢状面中跟踪对象的肘关节和肩关节。结果显示两个关节的平均误差为19°。这种肌电控制方案具有开发外骨骼和矫形康复应用的潜力。第二种方案基于时延神经网络（TDNN），该网络具有一次控制多个自由度的能力。控制器在矢状面中跟踪对象的肘关节和肩关节。结果显示两个关节的平均误差为19°。这种肌电控制方案具有开发外骨骼和矫形康复应用的潜力。