基于元转移和学习的多模式人体姿势估计,用于下肢

科学领域:

• 机器人和人机交互的人机交互
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 准确的人体姿势估计 (HPE) 对于个性化的交互系统至关重要,如合作机器人和医疗保健外骨架.
• 目前的方法需要广泛的数据集和频繁的模型更新,证明资源密集型和耗时的个人适应.

研究的目的:

• 为准确和稳定的人类姿势估计 (HPE) 开发一种资源效率高的元转移学习框架.
• 为了使HPE模型能够快速地适应新的个体,使用最小的数据通过少量射击学习.

主要方法:

• 多式输入的整合:高频表面电肌图 (sEMG),视觉惯性测距 (VIO) 和高精度图像数据.
• 一个知识融合策略,通过解决数据对齐问题来提高准确性和稳定性.
• 一个短暂的学习方法,以有效地实时调整编码器和解码器.

主要成果:

• 拟议的框架实现了准确和高频率的人体姿势估计,特别是在人体内适应.
• 证明了对新个体的高效适应,只有少数样本.
• 通过知识融合成功解决了数据对齐问题.

结论:

• 超转移学习框架为个性化运动分析提供了有效的解决方案.
• 允许高效,数据最小适应人机交互和医疗保健的实时应用.
• 通过提高适应性和减少计算负担,推进人类姿势估计领域.