基于神经肌肉骨模型的基于机器学习的控制膝关节外骨的不确定性量化量化

科学领域:

• 生物力学 生物力学
• 机器人技术 机器人技术 机器人技术
• 神经科学是一个神经科学.

背景情况:

• 外骨架辅助策略越来越多地结合了用户扭矩能力.
• 预测用户扭矩容量涉及不确定性,影响外骨-用户界面安全性.

研究的目的:

• 为膝关节外骨架提出适应性控制框架.
• 使用置信限量量化预测用户扭矩的不确定性.
• 提高外骨用户界面的安全性.

主要方法:

• 利用肌肉电肌图 (EMG) 信号和关节动力学.
• 开发了一个由神经肌肉骨 (NMS) 解决器告知的贝叶斯神经网络 (NMS-BNN),以预测具有信心界限的扭矩.
• 将NMS-BNN性能与高斯过程 (NMS-GP) 模型进行比较.

主要成果:

• 两种NMS-BNN和NMS-GP模型都准确地预测了低误差的膝关节扭矩,优于传统的NMS模型.
• 在行走过程中,在运动开始,终端姿势和终端摆动时观察到很高的不确定性.
• 膝关节外骨架以低误差提供了所需的辅助扭矩,尽管随着步行速度发生了变化.

结论:

• 开发的框架成功地以可量化的不确定性预测了膝盖扭矩.
• 提供了适应性辅助扭矩,提高了外骨-用户界面的安全性.
• 这种方法在开发个性化和安全的外骨架辅助方面具有重大潜力.