使用下肢肌肉骨模型和长期短期记忆神经网络的步态意图预测

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 康复工程 康复工程

背景情况:

• 步行运动意图预测对于直观控制辅助设备和诊断步行障碍至关重要.
• 目前的方法通常依赖于昂贵的多式联通信号和复杂的处理.
• 需要具有成本效益的单一模式方法来进行步态分析和控制.

研究的目的:

• 开发一种新的方法,整合机器学习和肌肉骨建模,仅使用动力学信号来预测时间序列关节角度.
• 为了研究堆叠长期短期记忆 (LSTM) 神经网络架构在不依赖电肌图 (EMG) 信号的情况下进行步行意图预测的有效性.
• 为了确定最佳的LSTM架构,以准确地预测步态关节角度.

主要方法:

• 使用光学摄像头和惯性测量单元 (IMU) 传感器来捕捉水平步行动力学.
• 采用肌肉骨建模来从动力学数据中推导关节角度预测.
• 开发并优化了一个堆叠的LSTM神经网络架构,用于对关节角度的时间序列预测.
• 将LSTM性能与feedforward MLP和混合LSTM-MLP架构进行比较.

主要成果:

• 拟议的方法准确地预测了即将到来的手足平面的关节角度,预测时间为10毫秒.
• 实现了平均根的平均平方误差 (RMSE) 为5.3°,确定系数 (R2) 为0.81.
• 与MLP和混合模型相比,堆叠的LSTM网络在预测预期的步态运动方面表现出卓越的性能.
• 验证了LSTM可以预测运动而不需要前进的EMG特征的假设.

结论:

• 开发的方法提供了一种具有成本效益的单模解决方案,用于仅使用动态数据来预测步行动作意图.
• 堆叠的LSTM网络对于在康复中准确有效地预测步行意图是非常有效的.
• 这种方法在推进辅助设备的控制和步行障碍诊断方面具有重大潜力.