基于深度学习的时间依赖可靠性分析,用于步行康复的下肢机器人外骨架
Fahad Hussain1, Tanishka Goyal1, Shahid Hussain1
1School of Information Technology and Systems, University of Canberra, Canberra, ACT, Australia.
概括
这项研究开发了一种可靠的下肢外骨架,用于使用深度学习进行步行康复. 可穿戴机器人实现了高可靠性 (R ≈ 0.87),有助于动态系统分析以改善患者的治疗结果.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 可穿戴的下肢外骨架对于步行康复至关重要.
- 在康复机器人中评估动态系统的可靠性是复杂的.
- 深度学习为时间依赖的可靠性分析提供先进的方法.
研究的目的:
- 为了评估下肢可穿戴外骨架的可靠性,用于步行康复.
- 实施一个深度学习框架,用于动态系统的时间依赖可靠性分析.
- 设计和测试一个轻量级外骨架原型.
主要方法:
- 开发了一个下肢步行机器人,使用斯蒂芬森三号六条连接机制.
- 利用计算机辅助设计 (CAD) 和SolidWorks®用于使用,钢和碳纤维进行机械设计.
- 实施了长期短期记忆 (LSTM) 增强的深度神经网络,用于可靠性预测.
- 应用条件概率方法用于时间依赖的系统可靠性评估.
主要成果:
- 实现了一种轻量级的碳纤维外骨架原型 (约1.63公斤).
- 用LSTM增强的深度神经网络准确地预测了关节位移和终端效应器轨迹的时间依赖可靠性.
- 设计的机械系统在200次模拟运行中表现出高可靠性 (R ≈ 0.87).
- 可靠性趋势显示出一致和强大的预测.
结论:
- 开发的可穿戴的下肢外骨架对于步行康复非常可靠.
- 用LSTM增强的深度学习框架为动态系统可靠性分析提供了强大的方法.
- 这种方法提高了机器人辅助康复系统的安全性和有效性.
