根据行走模式,通过基于排斥的后处理来改进运动探测.

科学领域:

• 生物医学工程 生物医学工程
• 康复技术 康复技术 康复技术
• 机器学习在假肢方面

背景情况:

• 直观的假肢控制受到有限的用户意图和环境数据的阻碍.
• 目前使用肌肉和运动传感器的机器学习方法缺乏用于腿部假肢所需的可靠性.
• 精确的运动模式检测对于有效的假肢功能至关重要.

研究的目的:

• 为了提高在假肢控制中运动模式检测的准确性.
• 通过在线分辨分析 (LDA) 后进行后处理来增强分类.
• 通过解决运动分类中的不确定性来完善假肢控制.

主要方法:

• 从15名身体健康的参与者收集了运动数据,使用了电肌图 (EMG),惯性测量单元 (IMU) 和内压力传感器.
• 使用线性差异分析 (LDA) 进行分类的运动模式 (平行行走,楼梯/坡道行走).
• 实施了基于值的拒绝后处理方法,以消除不确定的分类.

主要成果:

• 后处理排斥值显著提高了整体运动探测精度.
• 与稳定状态机动相比,过渡机动检测显示出更实质性的改善.
• 在生物力学上,类似的转换 (例如,坡道到平行) 比不相似的转换 (例如,楼梯到平行) 更好.

结论:

• 后处理方法可以显著提高假肢运动模式检测的准确性.
• 通过额外的数据和后处理来完善不确定的分类对于假肢使用者来说至关重要.
• 这种方法为更直观,更可靠的假肢控制提供了一条途径.