实时连续机动模式识别和过渡预测对于下肢外骨的人类

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物力学 生物力学
• 机器学习 机器学习

背景情况:

• 实时移动模式识别和过渡检测对于安全有效的外骨机器人操作至关重要.
• 现有的方法往往难以准确和及时预测,限制了外骨的适应性.

研究的目的:

• 开发一个创新的框架,用于精确的机动模式识别和过渡预测,仅使用外骨架上的惯性测量单元 (IMU) 信号.
• 提高过渡检测的可靠性,减少误判.

主要方法:

• 一个卷积神经网络双向长期短期记忆 (CNN-BiLSTM) 模型被开发用于分类.
• 实施了一种新的多数过器,以减少过渡错误判断率.
• 从六名受试者那里收集了运动数据,他们使用一个带有六个IMU传感器的刚性外骨架.

主要成果:

• 该框架在五种稳定运动模式 (平地行走,楼梯/坡道上升/下降) 中实现了99.58%的平均识别精度.
• 过渡是可识别的,平均预测时间为353毫秒,多数过器将误判率降低了87.04%.
• 该模型在Jetson Nano上进行测试时展示了实时性能.

结论:

• 拟议的系统提供精确的机动模式识别和及时过渡预测,具有高实时性能.
• 与多数过器相结合的CNN-BiLSTM模型显著提高了外骨控制可靠性.
• 这个框架提供了一个强大的解决方案,用于增强人类外骨的相互作用和适应能力.