一个SE-DenseNet-LSTM模型用于下肢外骨架的运动模式识别
Jing Tang1,2, Lun Zhao1, Minghu Wu1,2
1Hubei Key Laboratory for High-efficiency Utilization of Solar Energy and Operation Control of Energy Storage System, Hubei University of Technology, Wuhan, China.
PeerJ. Computer science
|March 4, 2024
概括
这项研究引入了一种混合深度学习模型,用于使用可穿戴传感器准确识别人类运动模式. 这种先进的模型达到97%以上的准确性,增强了外骨机器人控制.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人与计算机的交互
- 机器学习 机器学习
背景情况:
- 精确的移动模式识别对于控制可穿戴式外骨架机器人至关重要.
- 现有的方法在运动中微妙的变化,特别是在坡道上扎.
研究的目的:
- 开发和验证混合深度学习模型,用于强大的人类运动模式识别.
- 为了提高对挑战性地形 (如坡道) 的识别精度.
主要方法:
- 一种混合模型,将密集卷积网络 (DenseNet) 结合起来,用于特征提取和长短期内存 (LSTM) 进行时间分析.
- 整合一个Squeeze-and-Excitation (SENet) 通道注意力机制,以增强特征歧视.
- 使用惯性测量单元 (IMU) 和压力传感器从五种运动模式的15个受试者收集数据.
主要成果:
- 混合型的DenseNet-LSTM-SENet模型实现了97.93%的平均识别精度.
- SENet模块显著提高了识别率,特别是在不显眼的道数据方面.
- 与现有算法相比,该模型表现出优越的稳定性和识别性能.
结论:
- 拟议的混合型号为人类移动模式识别提供了高度准确和强大的解决方案.
- 这项技术在辅助机器人领域有很大的应用潜力,例如肢体支和承重外骨架.
