基于动态协同作用和机器学习的增强人类爬行阶段识别

科学领域:

• 生物力学 生物力学
• 康复工程 康复工程
• 机器学习 机器学习

背景情况:

• 手膝爬行对于儿童的运动康复至关重要.
• 需要精确的相位检测来优化爬行辅助设备.
• 目前关于人类爬行阶段检测的研究是有限的.

研究的目的:

• 评估多关节动力协同 (KS) 特性在爬行阶段检测中的有效性.
• 为了比较KS特征与传统时间域 (TD) 特征的准确性.
• 探索改进的相位检测在外骨控制系统中的应用,用于康复.

主要方法:

• 九名健康成年人爬行,同时使用加速度计和压力传感器收集运动和压力数据.
• 动力协同特征是使用基于单一值分解的主要组件分析 (PCA) 来提取的.
• 机器学习模型 (CART,KNN,ECOC-SVM) 经过训练,可以使用KS和TD功能来识别爬行阶段.

主要成果:

• 基于动力协同的方法平均准确率为89.37%,ECOC-SVM达到94.20%.
• 传统的时间域特征导致精度较低,CART.的整体最高精度为75.36%.
• 在所有测试的机器学习模型中,动态协同功能显著超过了TD功能.

结论:

• 与传统的时间域特征相比,多关节的动力协同功能为爬行阶段识别提供了更高的准确性.
• 精确的相位识别能够更好地解释用户对外骨控制的意图.
• 这种方法有可能显著改善运动障碍患者 (如脑) 的康复结果.