一个循环深度网络,用于从外骨架辅助行走过程中从EMG信号中识别步行阶段

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:

• 下肢外骨架有助于运动障碍患者恢复自主步行.
• 准确的步态相位检测对于外骨来说至关重要,可以及时提供关节扭矩辅助.
• 电肌图 (EMG) 信号先于四肢动力学,为步行阶段识别提供了潜在的输入.

研究的目的:

• 开发和评估一种深度学习模型,用于识别使用EMG信号的姿势和摇摆步行阶段.
• 评估模型的准确性和处理速度,以便在下肢外骨架控制中实时应用.
• 调查模型在不同步行条件 (地面和跑步机) 和数据采样率的概括能力.

主要方法:

• 采用了双向长期短期记忆 (LSTM) 深度学习模型.
• 26名健康受试者的四条腿肌的EMG数据被记录在地面和跑步机上用外骨架行走.
• 数据用惯性运动传感器动力学标记了步态阶段;模型在各种场景下进行了训练和测试,包括不同的采样率和再训练.

主要成果:

• 该模型实现了高精度,在地面行走时达到92.43%,在500赫兹的跑步机行走时达到91.16%.
• 在线操作模拟显示每个序列的处理时间为127ms.
• 使用1500赫兹数据进行测试,准确度略低,但处理速度更快 (减少11毫秒);重新训练1500赫兹数据的性能提高到87.17%和89.64%.

结论:

• 拟议的深度学习模型有效地从EMG信号中识别了步行阶段.
• 该模型显示了集成到下肢康复外骨控制系统的强大潜力.
• 精度和快速处理时间的平衡使其适合实时外骨架辅助.