用软可穿戴传感器进行机动关节角度和时刻估计,用于个性化外套控制

科学领域:

• 机器人和可穿戴技术
• 生物医学工程 生物医学工程
• 机器学习应用 机器学习应用

背景情况:

• 软传感器为人类姿势检测的传统方法提供了一个有希望的替代方案.
• 目前的研究重点是校准,由于用户多样性和复杂的场景,如人机交互,实际应用有限.

研究的目的:

• 开发和验证一套灵活的传感系统,用于准确预测关节角度和时刻.
• 提高软传感器模型的概括性和准确性,用于实际应用.
• 以一个灵活的外套来展示系统的实用性,以提供个性化的协助和改进人机交互.

主要方法:

• 收集了来自8名不同步行模式的参与者的步态数据.
• 利用长短期记忆 (LSTM) 和卷积神经网络 (CNN) 模型进行关节角度和时刻估计.
• 预先在开源数据集上训练模型,并与收集的数据进行微调,结合静态和动态特征.

主要成果:

• 在膝关节角度估计中获得了4.43°的平均绝对误差 (MAE).
• 实现了0.12Nm/kg的MAE,用于关节运动时刻估计.
• 在一个灵活的外套原型中,证明了减少肌肉激活和提高用户满意度 (移动性,舒适性).

结论:

• 开发的灵活传感系统准确地预测了关节的角度和时刻,克服了传统方法的局限性.
• 该系统显示出实用应用的巨大潜力,特别是通过个性化外衣控制来推进人机交互.
• 这项研究强调了软传感器在现实场景中的增强适用性,提高了用户的移动性和舒适性.