基于机器学习的走路模式预测,用于混合膝关节假肢控制.

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
• 机器学习在假肢方面

背景情况:

• 混合假肢膝盖整合了移骨截肢者的被动和活跃机制.
• 在被动模式和主动模式之间的无过渡需要准确的步态预测.
• 数据不平衡在步态预测中对分类器性能构成挑战.

研究的目的:

• 评估机器学习分类器,用于预测混合假肢膝盖中的被动和主动步行模式.
• 调查使用生成对抗网络 (GANs) 来增强数据和提高分类性能.
• 为了确定最佳的分类器实时步态模式预测转肢截肢者.

主要方法:

• 在各种行走任务 (平坦地面,斜坡,楼梯) 中收集了九名单边腿部截肢者的步态数据.
• 评估了多个机器学习分类器 (例如,线性差异分析,随机森林) 用于步态预测.
• 开发并应用生成对抗网络 (GAN) 来生成用于分类器培训的合成数据.

主要成果:

• 线性判别分析显示,对于主动模式 (楼梯上升) 的高灵敏度.
• 随机森林实现了最高的整体分类准确度.
• 使用GAN生成的合成数据训练分类器显著提高了分类器的灵敏度.

结论:

• 机器学习,特别是线性判别分析和随机森林,显示出对混合假肢膝盖的步态预测有前途.
• 生成对抗性网络有效地解决了数据不平衡,提高了分类器的性能.
• 改进的步态预测可以带来更直观和响应的假肢膝关节控制.