相关实验视频
Updated: Jun 27, 2026
10:53
A Novel Application of Musculoskeletal Ultrasound Imaging
Published on: September 17, 2013
24.1K
一种深度学习方法,用超声波成像预测不同速度行走时的脚关节时刻:辅助设备控制框架
Qiang Zhang1,2, Natalie Fragnito1,2, Xuefeng Bao3
1Joint Department of Biomedical Engineering, North Carolina State University, Raleigh, NC, USA.
Wearable technologies
|March 15, 2024
概括
这项研究引入了一种深度学习方法,使用超声波 (US) 成像来预测走路时的脚关节时刻. 这种非侵入性技术提高了机器人康复设备的准确性.
科学领域:
- 生物力学 生物力学
- 机器人技术 机器人技术 机器人技术
- 医疗成像医学成像
背景情况:
- 机器人辅助设备有助于神经障碍的恢复,但在非侵入性意图估计方面存在困难.
- 准确预测人类努力对于有效的人机交互在康复中至关重要.
研究的目的:
- 提出和验证一种使用B模式超声波成像来预测行走过程中脚关节净足部屈曲时刻的深度学习方法.
- 研究超声波成像感兴趣区域 (ROI) 对预测准确性的影响.
- 为了比较超声波成像的性能与表面电肌图 (sEMG) 进行时刻预测.
主要方法:
- 开发了定制的深卷积神经网络 (CNN) 用于瞬间预测.
- 使用骨肌肉的B模式超声波成像作为输入数据.
- 将超声波成像与使用相同ROI大小的sEMG频谱成像进行比较.
- 对8名参与者进行了实验,他们以不同的速度在跑步机上行走.
主要成果:
- 建议的超声波成像+深度学习方法显著提高了净关节时刻预测的准确性.
- 与sEMG相比,超声波成像减少了37.55%的正常化预测根平均平方误差.
- 与sEMG相比,超声波成像增加了20.13%的确定性预测系数.
- 美国有线电视新闻网的结构表现出了趋同和稳健性.
结论:
- 超声波成像与深度学习相结合,提供了一种强大而准确的非侵入性方法来估计人类的联合自愿性努力.
- 这种方法可以个性化辅助或康复设备,通过辅助所需的控制策略来提高临床性能.
