根据反向动力学方法估计下肢关节时刻:用于快速估计的机器学习算法的比较

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 人类运动分析 人类运动分析

背景情况:

• 估计关节时刻对于设计有效的生物机械系统至关重要.
• 需要准确预测关节时刻,以便实时控制活跃的假肢和假肢.

研究的目的:

• 通过使用各种机器学习算法来估计步行时的脚,膝盖和关节的关节时刻.
• 根据坐立运动分析,确定最准确的算法来预测关节时刻.

主要方法:

• 从对20名参与者的坐立 (STS) 运动分析开发了一个生物机械模型.
• 评估了七种算法:决策树 (DT),线性回归 (LR),支持向量机 (SVM),随机森林 (RF),深度神经网络 (DNN),长短期记忆 (LSTM) 和卷积神经网络 (CNN).
• 使用平均平方误差 (MSE),根平均平方误差 (RMSE),相关系数 (R) 和平均绝对误差 (MAE) 评估算法性能.

主要成果:

• 长期短期记忆 (LSTM) 在估计脚,膝盖和关节瞬间方面表现出卓越的准确性,在19个输入时达到0.9990的R值,在7个输入时达到0.9972的R值.
• 其他算法表现出不同程度的成功,随机森林 (RF) 实现R=0.9902和卷积神经网络 (CNN) 实现R=0.9770.
• 该研究强调了LSTM在精确预测关节时刻方面的有效性.

结论:

• LSTM是精确估计下肢关节时刻的最有效算法.
• 准确和快速预测关节时刻对于推进实时活跃假肢和位控制系统至关重要.
• 这项研究为生物力学分析和先进辅助设备的开发提供了强大的方法.