一个具有自我注意机制的深度学习模型,用于在各种运动模式中估计腿部关节角度
Guanlin Ding1, Ioannis Georgilas1, Andrew Plummer1
1Department of Mechanical Engineering, University of Bath, Bath BA2 7AY, UK.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
这项研究引入了一种使用自我注意的深度学习模型,用于下肢辅助设备. 它产生了更光滑,更适应性的关节角度轨迹,改善了用户的适应性并减少了个性化需求.
科学领域:
- 机器人和生物力学
- 医疗保健中的人工智能
背景情况:
- 传统的下肢辅助设备使用有限状态策略来规划轨迹,限制了适应性.
- 深度学习为从各种用户数据中学习自适应步态模式提供了潜力.
- 当前的方法在不同的机动任务和个性化之间进行无过渡时遇到困难.
研究的目的:
- 开发一个具有自我注意力的时间深度学习模型,用于连续生成下肢关节角度轨迹.
- 为了评估模型的性能与现有的方法对脚和膝盖角度估计.
- 展示数据多样性和转移学习对辅助设备个性化的好处.
主要方法:
- 开发了一个包含自我注意机制的时间深度学习模型.
- 快速里埃转换和配对的t测试用于性能分析.
- 在测试中,采用了10倍的休息一次的交叉验证方案.
主要成果:
- 注意力模型实现了低的正常化根平均平方误差 (NRMSE),为脚的11.50% (±2.37%) 和膝盖角度的9.31% (±1.56%).
- 统计分析证实了注意力模型在减少预测误差方面比基线模型优越.
- 该模型产生了更顺的关节轨迹,提高了安全性和舒适性,并转移学习提高了性能.
结论:
- 提出的基于注意力的模型提供了一种数据驱动的方法,用于生成可适应的下肢关节轨迹.
- 这种方法可以在移动任务之间无切换,克服有限状态策略的局限性.
- 这种方法减少了对广泛的手动个性化需求,使辅助设备更容易获得.
