在使用基于注意力的深度循环神经网络行走时从表面EMG估计膝盖角度:在脑麻中可行性和初步演示

科学领域:

• 生物力学 生物力学
• 神经科学是一个神经科学.
• 机器人技术 机器人技术 机器人技术

背景情况:

• 从表面电肌图 (sEMG) 估计膝关节的角度对于可穿戴机器人的自然控制至关重要,如外骨架.
• 在sEMG信号的个体和基于会话的变化为准确的关节角度估计带来了重大挑战.
• 现有的方法往往与人类运动的动态和复杂性质作斗争.

研究的目的:

• 评估基于注意力的深度循环神经网络 (GRU-AM),用于从sEMG信号中估计膝关节的角度.
• 评估模型在健康青少年和脑 (CP) 的儿童中的表现.
• 通过转移学习和逐步适应来研究模型的概括和适应能力.

主要方法:

• 开发了一个基于注意力的深度循环神经网络,结合了封闭的循环单元 (GRU) 和注意力机制 (AM).
• 该GRU-AM模型在4名健康青少年和1名患有CP的儿童身上进行了测试.
• 实验包括直接测试,从开源数据集转移学习,以及对CP参与者进行多次会议的逐步适应.

主要成果:

• 在健康青少年中,GRU-AM模型显著改善了与GRU单独相比的膝盖角度估计.
• 灵敏度分析确定膝盖曲器和延伸器是关键肌肉,表明注意力机制的重点是突出的输入.
• 该模型在健康参与者 (平均RMSE 7°) 和患有CP的参与者 (RMSE 37°) 中实现了可靠的估计.
• 膝盖角度估计的准确性在患有CP的孩子中,在连续的行走过程中平均提高了14°.

结论:

• 以注意力为基础的深度网络可用于使用sEMG的青少年和临床人群的关节角度估计.
• 格鲁-阿姆模型表现出强度和适应性,支持其可穿戴机器人的潜力.
• 这些模型的进一步开发可以提高辅助和康复机器人设备的控制和功能.