基于多模式数据的人类运动意图预测,使用自适应式混合深度学习网络进行运动挑战
1Advanced Manufacturing Institute, King Saud University, Riyadh, 11421, Saudi Arabia. mabidi@ksu.edu.sa.
Scientific reports
|December 24, 2024
概括
这项研究引入了自适应混合网络 (AHN),用于使用电脑图 (EEG) 和电肌图 (EMG) 信号预测人类运动意图. 这种新的方法增强了对康复机器人的个性化帮助,优于传统方法.
科学领域:
- 生物医学工程 生物医学工程
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 越来越多的社会需求改善老年人和残疾人的生活质量.
- 需要先进的辅助和康复机器人.
- 人机交互的挑战,以提供个性化协助.
研究的目的:
- 实施适应式混合网络 (AHN) 以有效预测人类运动意图.
- 增强辅助和康复机器人的个性化协助.
- 为了准确预测,将生物医学信号和传感器数据融合在一起.
主要方法:
- 收集的多式联络数据:脑电图 (EEG) /肌电图 (EMG) 信号和传感器测量.
- 使用AH-CNN-LSTM用于EEG/EMG光谱图和AH-CNN-Res-LSTM用于传感器数据.
- 使用改进的黄山羊鱼算法 (IYSGA) 优化AHN参数.
主要成果:
- 与标准模型相比,拟议的AHN模型表现出优越的性能.
- 实现了对人类运动意图的有效预测.
- AH-CNN-LSTM 和 AH-CNN-Res-LSTM 的整合是成功的.
结论:
- 开发的自适应混合网络 (AHN) 为人类运动意图预测提供了一个有前途的解决方案.
- 这项技术可以显著改善个性化协助康复和辅助机器人的能力.
- 进一步的研究可以探索这种融合多式联运方法的更广泛的应用.
