改进了转移学习,用于检测上肢运动意图,使用外骨康复系统中的机械传感器

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 检测上肢运动意图对于人机协作至关重要,特别是在康复中.
• 传统方法通常依赖于复杂的传感器阵列,包括表面电肌图 (sEMG).
• 需要更简单,但更准确的基于传感器的意图检测系统.

研究的目的:

• 提出一种用于检测上肢运动意图的新策略.
• 使用机械传感器信号的深度和异质转移学习技术.
• 为了评估训练使用减少传感器输入的模型的性能.

主要方法:

• 综合表面电肌图 (sEMG),强度敏感电阻 (FSR) 和惯性测量单元 (IMU) 用于信号捕获.
• 开发了深度学习模型 (CIFAR-ResNet18,CIFAR-MobileNetV2) 用于意图检测.
• 员工转移学习,只使用FSR和IMU信号训练目标模型,并优化层结构和学习率.

主要成果:

• 使用CIFAR-ResNet18的源模型实现了95%的准确性和0.95 F-1分数.
• 优化的目标模型,只使用FSR和IMU信号,达到93%的准确性和0.93F-1得分.
• 仅仅机械传感器的性能就与采用sEMG的模型相美.

结论:

• 机械传感器 (FSR和IMU) 可以有效地检测上肢运动的意图.
• 深度和异质的转移学习为意图检测提供了精确和方便的方法.
• 拟议的算法适合在康复助理机器人中进行人机协作.