基于惯性测量单元和长短期记忆神经网络的人类姿势过渡时间检测

科学领域:

• 机器人和人机交互的人机交互
• 机器学习和深度学习
• 生物医学工程和可穿戴技术

背景情况:

• 人与机器人的互动正在工业和临床领域不断增长,增加了对精确人体姿势检测的需求.
• 现有的研究主要集中在识别人类行为上,很大程度上忽视了姿势之间的关键过渡.
• 检测姿势变化和转变对于无的人机协作和理解人类意图至关重要.

研究的目的:

• 研究深度学习方法的有效性,特别是Feedforward神经网络 (FNN) 和长期短期记忆 (LSTM),用于检测人类姿势的变化.
• 分析这些模型在识别不同人体运动 (站立,行走,坐着) 之间的过渡阶段的能力.
• 评估采样率对LSTM网络检测姿势变化的性能的影响.

主要方法:

• 两种深度学习模型FNN和LSTM被用来检测姿势变化.
• 一个惯性测量单元 (IMU) 被戴在受试者的腿上,以收集用于训练和测试的联合参数数据.
• 该研究引入了过渡阶段作为独特的特征,并检查了LSTM模型的各种采样率.

主要成果:

• FNN和LSTM模型都实现了对人类姿势变化的高检测准确度.
• 在速度和精度方面,LSTM模型显著超过了FNN,在100 Hz采样速率下达到95%的精度.
• 经过训练的LSTM网络在检测不同受试者的姿势变化方面表现出有效性,这表明了一般化模型的潜力.

结论:

• 深度学习模型,特别是LSTM,对于快速准确地检测人类姿势变化和转变非常有效.
• 该研究成功地证明了在实时应用中使用IMU数据和深度学习来检测人类意图的可行性.
• 这些发现为工程应用提供了基础性贡献,例如数字双胞胎,外骨和先进的人类意图控制系统.