转移学习以有效预测下肢假肢的意图:对有限数据集的策略

科学领域:

• 生物医学工程 生物医学工程
• 康复技术 康复技术 康复技术
• 医疗保健中的机器学习

背景情况:

• 运动意图的预测对于移骨截肢患者的高级假肢控制至关重要.
• 数据稀缺性对开发准确的主题特定预测模型构成重大挑战.
• 现有的方法往往需要大量的用户特定数据,限制了它们的适用性.

研究的目的:

• 开发和评估一种转移学习方法,以提高转肢截肢者的运动意图预测,特别是在数据有限的场景中.
• 为了比较转移学习与传统主体依赖模型的有效性.
• 为了确定最佳的传感器配置,以预测意图.

主要方法:

• 利用转移学习通过微调三个预先训练的模型 (腿截肢者,有能力者,混合数据集) 在新的腿截肢者数据上.
• 与需要大量个体培训数据的学科依赖模型进行性能比较.
• 研究了不同传感器配置的影响,包括大腿IMU和负载电池组合.

主要成果:

• 转移学习的错误率与依赖于主体的模型相比,数据少得多.
• 随着对特定主体数据的可用性增加,模型性能得到了改善.
• 腿部惯性测量单元 (IMU) 和负载单元的组合被证明是一个实用和高效的传感器设置.

结论:

• 转移学习提供了一种可行且数据效率高的解决方案,用于改善转移肢体截肢患者的运动意图预测.
• 预先存在的,预先训练的功能在数据稀缺的环境中是有益的.
• 优化的传感器配置增强了这些预测系统的实际实施.