Neuromorphe Netzwerke vs. TCN: Fortschritt bei Fingerkraftvorhersage aus EMG

In einer neuen Studie wird untersucht, wie hochdichtes Oberflächen‑EMG (HD‑sEMG) als nichtinvasive Schnittstelle zur Steuerung von Hilfs- und Rehabilitationsgeräten genutzt werden kann. Der große Hürdenpunkt bleibt dabei die Zuordnung der neuronalen Aktivität zu motorischem Willen.

Zur Lösung dieses Problems vergleichen die Forscher ein spiking neural network (SNN) – ein neuromorphes Modell – mit einem temporal convolutional network (TCN). Beide Netzwerke werden darauf trainiert, die Kraft an der Fingerspitze aus der Aktivität von Motor‑Einheiten (MU) zu rekonstruieren, die aus HD‑sEMG‑Messungen extrahiert wurden.

Die Daten stammen von einer einzigen Probandin, die zehn Versuche absolvierte. Zwei Elektrodenarrays wurden am Unterarm platziert, und die MU‑Aktivität wurde mittels FastICA‑basierter Zerlegung gewonnen. Die Modelle wurden auf überlappenden Zeitfenstern mit end‑to‑end‑kausalen Faltungen trainiert.

Die Ergebnisse zeigen, dass das TCN eine sehr hohe Genauigkeit erreicht: 4,44 % MVC RMSE und einen Pearson‑Korrelationskoeffizienten von 0,974. Das SNN erzielte 8,25 % MVC und r = 0,922. Obwohl das TCN überlegen ist, gilt das SNN als realistisches neuromorphes Ausgangsmodell, das mit gezielten architektonischen und hyperparameter‑optimierten Anpassungen die Leistungslücke erheblich verkleinern könnte.