自动步行事件检测用于外骨架辅助行走,使用长期短期记忆模型与地面反应力和脚跟标记数据

科学领域:

• 生物力学 生物力学
• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习

背景情况:

• 传统的步行事件检测方法与外骨架等辅助设备引起的改变步行模式作斗争.
• 现有的神经网络方法在这些场景中也面临局限性.

研究的目的:

• 开发和验证一种基于LSTM的新型模型,用于精确检测使用脚外骨架的人的步态事件 (跟撞,脚脱落).
• 与现有算法相比,评估模型的性能,稳定性和训练效率.

主要方法:

• 通过结合地面反应力 (GRF) 数据和脚跟标记高度数据,创建了一个混合LSTM模型.
• 步行事件通过模型输出上的峰值检测来确定.
• 模型的培训要求使用低的培训与测试数据比率 (1:79) 进行评估.

主要成果:

• 开发的LSTM模型在16毫秒内检测手动识别事件的步态事件时,达到98%以上的准确性.
• 这一性能超过了之前的LSTM算法 (65%-98%) 的检测率.
• 该模型显示,与其他机器学习算法相比,训练数据需求显著减少.

结论:

• 拟议的LSTM模型为自动步行事件检测提供了强大而高效的解决方案.
• 在健康人群中,它对外骨辅助和无辅助的行走都有效.
• 该模型的低培训需求使其成为现实世界应用的实用工具.