一个基于步行次相切换的主动训练控制策略及其在新型康复机器人中的应用

科学领域:

• 生物医学工程 生物医学工程
• 康复机器人 康复机器人
• 医疗保健中的人工智能

背景情况:

• 步行阶段识别对于有效康复平衡障碍至关重要.
• 传统的康复机器人往往缺乏自适应控制和个性化训练能力.
• 多源异质运动数据为准确的步态分析提供了丰富的信息.

研究的目的:

• 开发一种启发式混合深度神经网络 (DNN) 模型,用于准确的步态子相识别.
• 设计和实施一款用于康复训练机器人的新型运动控制策略.
• 通过积极-被动的培训方法,增强患者的自主性和参与康复.

主要方法:

• 融合多个来源的异质运动数据用于步态分析.
• 开发一种启发式混合深度神经网络 (DNN),用于步态相识别.
• 实施一个可变的入口控制策略,与机器人控制的步态识别集成.

主要成果:

• 在步行阶段识别中达到99%以上的准确性.
• 开发了一种新的康复训练机器人,具有主动-被动训练控制策略.
• 在康复期间表现出患者自主运动和参与度的增强.

结论:

• 拟议的DNN模型和机器人控制策略显著推进了平衡障碍康复.
• 积极-被动训练方法克服了单模式康复机器人的局限性.
• 这项研究为个性化和协作性康复机器人提供了基础.