长期短期记忆启用电动肌造影控制适应性可穿戴机器人外骨架用于上臂康复

科学领域:

• 机器人和生物医学工程 机器人和生物医学工程
• 康复技术 康复技术 康复技术
• 医疗保健中的机器学习

背景情况:

• 上臂康复旨在在受伤或手术后恢复力量,功能和运动能力.
• 可穿戴的机器人外骨架提供可适应的支持,以改善患者的参与和康复.
• 电肌图 (EMG) 信号为控制辅助设备提供了基础.

研究的目的:

• 通过EMG数据提供可调节,可穿戴的机器人外骨架,用于上臂康复.
• 为了比较各种机器学习模型的运动范围 (ROM) 角度预测的预测性能.
• 评估拟议系统在外骨控制,信号分类和ROM校正方面的准确性.

主要方法:

• 使用EMG数据预测脉冲宽度调制 (PWM) 来控制运动范围 (ROM) 角度.
• 评估了机器学习模型,包括K-近邻回归 (K-NNR),支持向量回归 (SVR) 和随机森林回归 (RFR).
• 神经网络模型,特别是Gated Recurrent Units (GRUs) 和Long Short-Term Memory (LSTM),与传统的ML模型进行了比较.
• 为了预测,应用了三个EMG激活水平 (低,中,高).

主要成果:

• 长短期内存 (LSTM) 模型在预测ROM角度方面表现出最高准确度 (0.96).
• 外骨系统在控制中达到0.89准确度,在信号分类中达到0.85准确度.
• 拟议的外骨在ROM校正中显示出0.97的性能,优于传统方法 (p = 0.097).

结论:

• 基于EMG的,支持LSTM的外骨系统显示出对准确和自适应的上臂康复有很大的潜力.
• 开发的系统提供了个性化和有效的支持,特别有利于接受康复的老年人.
• 这项技术可以加速康复,并改善上肢康复设置中的功能结果.