用可穿戴外骨架机器人识别人类运动活动的多变量CNN模型
Chang-Sik Son1, Won-Seok Kang1,2
1Division of Intelligent Robot, Daegu Gyeongbuk Institute of Science & Technology (DGIST), Daegu 42988, Republic of Korea.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
一个新的深度卷积神经网络 (CNN) 准确地识别了使用可穿戴下肢机器人的用户运动活动. 这种先进的模型在现实环境中明显优于现有方法.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
- 生物力学 生物力学
背景情况:
- 可穿戴的下肢机器人有助于运动.
- 准确识别用户的移动对于有效的机器人控制至关重要.
- 现有的活动识别方法存在局限性.
研究的目的:
- 开发和评估一种新的卷积神经网络 (CNN) 架构,用于识别用户运动活动.
- 将拟议的CNN模型与现有的CNN和混合模型 (CNN-LSTM,LSTM-CNN) 进行比较.
- 通过可穿戴下肢机器人和电肌图 (EMG) 的数据来评估模型的性能.
主要方法:
- 开发了新的单头和多头卷积神经网络 (CNN) 架构.
- 从500名健康成年人中收集了前性数据,他们在三个地形上进行了五项运动活动.
- 利用来自电肌图 (EMG) 和可穿戴下肢机器人传感器的多变量信号 (部角度,速度,滚动,斜率,曲率).
主要成果:
- 提出的更深层次的CNN架构显著优于三个竞争模型 (DDLMI,DeepConvLSTM,LSTM-CNN).
- 与其他车型的90.68%,94.41%和95.57%相比,实现了96.17%的优异F测量.
- 证明了1.14秒的高效推断速度.
结论:
- 新的CNN架构对于识别可穿戴下肢机器人用户的运动活动非常有效.
- 该模型利用多种传感器数据 (动态和EMG) 的能力有助于其卓越的性能.
- 这种进步有可能改善人机交互和康复技术.
