一个新的CNN-BiLSTM组合模型,具有使用可穿戴惯性传感器进行坐立相位识别的注意力机制

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 坐立 (STS) 过渡阶段的识别对于控制可穿戴外骨架机器人来帮助患者稳定站立至关重要.
• 精确的相位细分可以为康复机器人提供精确的控制策略.

研究的目的:

• 通过使用两个惯性传感器,提出一种用于细分和识别坐立阶段的新方法.
• 开发一个深度学习算法,精确识别STS过渡阶段.

主要方法:

• 定义了五个阶段的STS过渡:最初的坐姿,曲动量,动量转移,伸展和稳定站立.
• 在最初的坐着和稳定的站着阶段采用值方法.
• 设计了一个CNN-BiLSTM-Attention算法,使用加速和角速度数据来识别三个过渡阶段.

主要成果:

• 在STS-PD数据集上,CNN-BiLSTM-Attention算法在所有五个阶段实现了99.5%的平均分类准确率.
• 拟议的算法表现优于传统的机器学习和其他深度学习算法.
• 加速和角速度的特征组合改善了模型性能.

结论:

• 开发的CNN-BiLSTM-Attention算法有效地识别了高准确度的坐立阶段.
• 这个算法为可穿戴外骨康复机器人的高级控制提供了基础.
• 这些发现有助于开发用于患者康复的智能辅助技术.