多分支深度学习神经网络预测模型用于开发基于sEMG的角度生物传感器

科学领域:

• 机器人技术和人机交互的人机交互
• 生物医学工程 生物医学工程
• 机器学习和人工智能的人工智能

背景情况:

• 精确的人类步态运动意图识别对于下肢外骨架机器人来说至关重要,以与用户的自然运动同步.
• 表面电肌图 (sEMG) 通常用于运动意图识别,但其高维和非线性性质带来了挑战.
• 深度学习神经网络擅长使用sEMG数据,但不同的网络架构对于特定的数据类型具有不同的优势.

研究的目的:

• 建立一个多分支深度学习神经网络模型,用于准确的步态识别和关节角度估计.
• 使用sEMG数据量化该模型在步态识别和关节角度预测方面的性能.

主要方法:

• 在人类行走过程中收集的sEMG和脚部压力数据.
• 过和消解信号,然后提取时间域和频域特征.
• 开发了一种多分支深度学习模型,利用特征灵敏度差异用于步态周期和关节角度预测.

主要成果:

• 多分支模型在步态识别方面取得了很高的准确性,平均92.16% (从90.11%到95.42%不等).
• 该模型准确地估计了连接角度,平均误差为3.19度.
• 成功集成时间域和频域特征,可进行可靠的预测.

结论:

• 开发的模型准确地识别了人类的步态,并预测了关节的角度,从而实现了有效的下肢运动意图识别.
• 该模型可以与sEMG传感器集成,以创建角度生物传感器,用于实时联合角度预测.
• 这项技术增强了外骨应用中无的人机交互的潜力.