基于注意力的深度循环神经网络来估计从下肢EMG走路时的膝盖角度

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 机器人技术 机器人技术 机器人技术

背景情况:

• 表面电肌图 (sEMG) 是一种测量肌肉电活动的非侵入性技术.
• 从sEMG准确预测关节角度,可以实现可穿戴机器人系统的自适应控制.
• 大脑 (CP) 通常涉及运动障碍,影响步态,需要辅助设备.

研究的目的:

• 开发和验证一个循环神经网络 (RNN) 与封闭循环单元 (GRU) 以及一个注意力机制,用于在行走时从sEMG估计膝关节角度.
• 评估注意力机制对估计准确性的影响.
• 用外骨架评估这种方法在患有CP的儿童中的可行性.

主要方法:

• 使用了包含注意力机制的GRU-RNN架构.
• 训练并验证了模型,使用在健康青少年的地面行走过程中收集的sEMG数据.
• 进行了灵敏度分析,以确定关键肌肉用于关节角度估计.
• 在接受外骨架辅助的CP儿童中测试了该模型的性能.

主要成果:

• 通过关注相关的肌肉激活模式,注意力机制显著提高了膝盖角度估计的准确性.
• 膝盖延伸肌和曲肌被确定为准确预测关节角度的最关键.
• 该GRU-RNN模型成功地估计了在辅助行走过程中患有CP的儿童的膝盖角度.

结论:

• 提出的带有注意力机制的GRU-RNN模型显示了从sEMG估计用户移动的初始可行性.
• 这种方法有望提高机器人外骨的控制能力,特别是对于患有神经肌肉疾病的儿童,如CP.
• 精确的基于sEMG的运动意图检测对于开发响应和有效的辅助机器人技术至关重要.