相关实验视频
Updated: Jun 4, 2025
06:36
Lower Limb Biomechanical Analysis of Healthy Participants
Published on: April 15, 2020
9.0K
基于sEMG信号和卷积神经网络的变量模态分解的下肢步行特征的二维识别
Qiming Liu1, Shan Wang1, Yuxing Dai1
1Engineering Research Center of the Ministry of Education for Intelligent Rehabilitation Equipment and Detection Technologies, Hebei University of Technology, Tianjin 300401, PR China; Hebei Key Laboratory of Robot Sensing and Human-robot Interaction, Hebei University of Technology, Tianjin 300401, PR China; School of Mechanical Engineering, Hebei University of Technology, Tianjin 300401, PR China.
Gait & posture
|January 4, 2025
概括
这项研究通过使用分解的表面电肌图 (sEMG) 信号准确地识别下肢行走特征来改善外骨架辅助. 这种新的方法提高了识别率,以改善人类外骨协调.
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
- 信号处理 信号处理
背景情况:
- 步行特征识别对于有效的外骨架辅助至关重要.
- 目前的表面电肌图 (sEMG) 方法由于忽略了时间序列相关性而缺乏准确性.
- 改进的步态识别可以提高人体外骨系统协调.
研究的目的:
- 提出一种新的二维步态识别方法,用于下肢外骨架辅助.
- 为了提高步态识别的准确性和稳定性,使用sEMG信号分解.
- 为了解决现有的基于sEMG的步态识别技术的局限性.
主要方法:
- 在各种下肢运动模式中收集了7通道的sEMG数据.
- 应用变量模态分解 (VMD) 和格拉米安角场 (GAF) 用于数据扩展和转换.
- 使用一个卷积神经网络 (CNN) 与ResNet架构用于步态特征识别.
主要成果:
- 拟议的VMD-GAF-ResNet方法在四种运动模式中实现了最高的识别率.
- 使用原始sEMG信号,超过了传统的反向传播 (BP) 神经网络和标准的CNN.
- 证明了数据增强的改进,分类器学习能力,以及防止过度拟合.
结论:
- 开发的方法显著提高了下肢步行特征识别的准确性和稳定性.
- 这一进步对于在人类外骨系统中实施智能控制策略至关重要.
- 这些发现有助于更有效和协调的人机交互.
