无监督学习实时和连续步态相位检测
Dollaporn Anopas1,2, Yodchanan Wongsawat3, Jetsada Arnin3
1Biodesign Innovation Center, Department of Parasitology, Faculty of Medicine Siriraj Hospital, Mahidol University, Bangkok, Thailand.
PloS one
|November 1, 2024
概括
本研究引入了一种无监督学习方法,用于在下肢康复中实时检测步行阶段. 这种新的方法准确地识别了连续步行阶段,改善了机器人对移动障碍患者的协助.
科学领域:
- 生物医学工程 生物医学工程
- 康复机器人 康复机器人
- 医疗保健中的机器学习
背景情况:
- 在中风或脊髓损伤后下肢损伤需要有效的康复策略.
- 目前的机器人康复系统缺乏实时连续步行阶段检测,限制了治疗疗效.
- 现有的步行阶段检测方法通常依赖于复杂的算法,或者不适合实时应用.
研究的目的:
- 开发一种无监督学习方法,用于实时和连续的步态相位检测.
- 为了提高机器人辅助下肢康复的有效性.
- 提供可靠的步态相位检测系统,适用于地面行驶.
主要方法:
- 一种无监督学习方法,利用实时动力学轨迹的窗口.
- 一个预训练的神经网络模型,利用跑步机上行走的数据.
- 该模型的应用,以检测地面运动期间的连续步行阶段.
主要成果:
- 开发的神经网络模型在各种行走条件下实现了平均时间误差小于11.51毫秒.
- 与跑步机行走 (12.42 ms) 相比,地面行走的平均时间误差较低 (11.20 ms).
- 该方法成功地使用预训练模型预测实时步态阶段,消除了复杂的地面数据采集的需要.
结论:
- 拟议的无监督学习方法提供了准确和实时的连续步行阶段检测.
- 这项技术可以显著提高机器人康复设备的精度和适应性.
- 该系统从实验室数据中使用预训练模型的能力简化了其在临床环境中的应用.
