相关实验视频
Updated: May 21, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
利用分类学习算法来预测上肢非循环运动
Bon H Koo1, Ho Chit Siu2, Dava J Newman3
1Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
这项研究使用机器学习来预测肌肉信号的上肢运动,改善外骨的控制. 这些算法可以预测运动发生之前的动作,提高流性,减少可穿戴机器人的不适.
科学领域:
- 生物医学工程 生物医学工程
- 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:
- 外骨通常由于控制系统的延迟而遭受流动性低下.
- 这影响了能源效率和用户舒适度.
- 需要预测性控制来克服这些局限性.
研究的目的:
- 探索用于预测非循环上肢运动的分类算法.
- 为了提高外骨的流性和减少外骨的能量低效率.
- 调查表面电肌图 (sEMG) 信号用于运动预测的使用.
主要方法:
- 利用了k-最近邻居 (KNN) 和深度学习模型.
- 处理了来自肘部相关肌肉的sEMG信号,以检测激活变化.
- 基于sEMG信号斜率和连续分类的分类运动特征.
主要成果:
- 无论是KNN还是深度学习模型,都预测了超出电机延迟的自愿非循环运动.
- 深度学习模型在肌肉激活之前预测运动特征时达到>90%的确定性.
- 分类算法证明了预测身体上部运动的潜力.
结论:
- 机器学习分类算法可以预测上体非循环运动.
- 这些预测可能会提高外骨中机器接口流性.
- 对回归模型和可穿戴应用程序的进一步研究是有必要的.
