一个基于注意力的双向LSTM模型,用于从sEMG信号在运行过程中连续交叉对象估计膝关节角度

科学领域:

• 生物医学工程 生物医学工程
• 康复机器人 康复机器人
• 机器学习用于医疗保健

背景情况:

• 表面电肌图 (sEMG) 信号提供了一种非侵入性方法来估计关节动力学,这对于控制康复机器人至关重要.
• 准确的关节动力学估计对于机器人辅助康复中有效的人机交互 (HMI) 至关重要,特别是在像跑步这样的复杂运动中.

研究的目的:

• 开发和验证一个深度学习模型,以使用sEMG信号对关节动力学进行可靠的估计.
• 评估模型在主题内部和跨主题场景中的性能,以便在运行过程中控制康复机器人.

主要方法:

• 提出了一种新的深度学习模型,AM-BiLSTM,将注意力机制 (AM) 与双向长期短期记忆 (BiLSTM) 网络相结合.
• 该模型经过训练和测试,使用膝关节动力学和来自14名以2米/秒的跑步者sEMG数据进行了训练和测试.
• 对LSTM和MLP网络的性能进行了评估,使用规范化根-平方平均误差和相关系数指标.

主要成果:

• 在主体内和跨主体估计中,AM-BiLSTM模型显著超过传统的LSTM和MLP网络 (p<0.05).
• 拟议的模型在运行期间从sEMG信号中估计关节动力学方面取得了最先进的性能.
• 连续,跨主体下肢动力学估计的高准确性和概括性被证明.

结论:

• AM-BiLSTM模型显示了在跑步过程中实时,跨主体估计下肢动力学的显著潜力.
• 这项技术可以加强对sEMG驱动的外骨架机器人的控制,用于高级康复培训.
• 这些发现支持使用先进的深度学习来改进康复机器人中的HMI.