通过EMG和仪器内改进现实世界任务中的生物关节时刻估计

科学领域:

• 生物力学 生物力学
• 可穿戴技术可穿戴技术
• 机器学习 机器学习

背景情况:

• 实时关节时刻估计对于临床评估和外骨控制至关重要.
• 目前的方法,通常在循环任务上得到验证,由于非独特的动力时刻映射,与非循环活动作斗争.
• 可穿戴式传感器为非侵入性,现实世界的关节运动时刻估计提供了一条道路.

研究的目的:

• 开发和验证深度学习模型,以使用非侵入性可穿戴传感器估计关节和膝关节关节的时刻.
• 评估结合动力学数据与电肌图 (EMG) 和模拟压力内对估计准确性的影响.
• 评估周期性和非周期性活动中的模型性能.

主要方法:

• 训练有素的深度学习模型使用动力学传感器,EMG和模拟压力内.
• 数据集包括10个周期性活动和18个非周期性活动.
• 对两种活动类型使用各种传感器组合评估估计错误.

主要成果:

• 添加EMG改善了RMSE16.9% (部) 和30.4% (膝盖);添加内改善了RMSE21.7% (部) 和33.9% (膝盖).
• 将EMG和内与动力学相结合,产生了最大的RMSE减少:32.5% (部) 和41.2% (膝盖).
• 与周期性任务相比,传感器的增加显著提高了非周期性任务的性能.

结论:

• 整合动力传感器数据 (EMG,内) 显著提高了关节时刻估计的准确性.
• 这些增强的模式对于在现实场景中遇到的复杂,非周期性运动尤为重要.
• 这一进步是开发复杂可穿戴机器人系统以改善移动性的关键.