基于基准数据集生成合成步态图案,用于控制假肢

科学领域:

• 生物医学工程 生物医学工程
• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习

背景情况:

• 假肢的目的是恢复截肢者的运动.
• 深度神经网络 (DNN) 控制器提供先进的假肢功能.
• 一个关键的挑战是获得足够的训练数据,特别是对于各种行走模式.

研究的目的:

• 开发一种方法,使用生成对抗网络 (GAN) 生成合成步态模式.
• 为了使基于DNN的控制器能够执行初始训练数据集中不存在的行走模式.

主要方法:

• 一个有条件的GAN被训练在现有的步态数据集上.
• 合成步态模式 (垂直负荷,关节角度) 为各种行走模式生成.
• 一个DNN控制器被训练使用这些合成模式来生成阻抗参数.

主要成果:

• 在生成合成步态图案 (R2=0.97,SSIM=0.94) 中,GAN实现了高保真度.
• 一个DNN控制器成功地训练了平地行走,坐到站,站到坐的动作.
• 与四名参与者进行的绕道测试验证了对膝盖和脚的生成控制参数.

结论:

• 由GANs生成的合成步态数据可以有效地训练DNN模型进行假肢阻抗控制.
• 条件GAN提供了一种可靠的方法,用于创建代表性不足的行走模式的步态数据.
• 这种方法促进了先进的假肢腿控制器的高效开发.