机器学习模型的实验评估用于行走细分的机器学习模型

科学领域:

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

背景情况:

• 准确的步行阶段估计对于有效的外骨控制至关重要.
• 不同的步行周期阶段需要不同的控制策略.
• 外骨架援助旨在改善流动性并支持康复.

研究的目的:

• 评估七个机器学习模型用于外骨用户的步态细分.
• 用传感器数据识别最准确的模型来区分步态阶段.
• 评估模型在正常和模拟步行障碍条件下的性能.

主要方法:

• 使用惯性测量单元 (IMU) 和来自八名穿着Ekso Indego外骨架的受试者的关节角度数据.
• 采用了六个状态的步态模型,过渡由脚跟撞击,脚脱落和垂直定义.
• 使用光学运动捕捉和地面反应力数据验证的状态过渡.

主要成果:

• 支持矢量机 (SVM) 模型在评估的算法中取得了最高的性能.
• 在正常行走的情况下,SVM的平均准确率为94.5%.
• 在模拟行走障碍时,SVM的平均准确率为94.1%.

结论:

• 支持向量机模型显示,在外骨应用中,对准确的步态细分具有显著的希望.
• 需要进一步的研究来评估SVM模型与实际外骨用户的实时性能.
• 实时性能评估是实施这种外骨控制模型之前的关键下一步.