一个融合网络与堆叠的Denoise自编码器和Meta学习,用于横行步行步态阶段识别和多步前进预测

科学领域:

• 生物力学和机器人技术
• 医疗保健中的机器学习
• 可穿戴式传感器技术

背景情况:

• 准确的步态阶段识别和预测对于在横向阻力行走期间有效的部外骨架辅助至关重要.
• 现有的方法经常在不同的条件下与实时准确性和稳定性作斗争.

研究的目的:

• 为了开发和评估一个新的融合网络,堆叠的自动编码器和元学习 (SDA-NN-ML) 模型.
• 为了识别行走阶段,并从IMU信号预测行走百分比侧向行走.
• 评估SDA-NN-ML与传统机器学习算法的性能.

主要方法:

• 实现一个融合网络,将堆叠的无声自动编码器和元学习 (SDA-NN-ML) 结合起来.
• 使用惯性测量单元 (IMU) 信号用于横行时的数据采集.
• 使用支持矢量机 (SVM),自适应增强 (AdaBoost) 和长短期内存 (LSTM) 模型进行比较分析.

主要成果:

• SDA-NN-ML实现了89.94%的跨主题识别准确度,明显超过了SVM,AdaBoost和LSTM.
• 该模型展示了优异的实时步态阶段百分比预测,与单个回归网络相比,根平均平方误差 (RMSE) 较低,为0.2043.
• 在噪音条件下,SDA-NN-ML表现出强大的性能和稳定的多步前进预测能力.

结论:

• 拟议的SDA-NN-ML方法为横行步行方式的识别和预测提供了一个高度准确和强大的解决方案.
• 这种方法具有显著的潜力,可以提高关节外骨在康复和辅助技术中的应用和有效性.
• 该模型在预测步行阶段的稳定性和准确性使其适合实时控制系统.