基于深度神经网络的多伪传感器融合方法来估计下肢关节时刻
1College of Mechanical Engineering, Donghua University, Shanghai, 201620, China.
Medical & biological engineering & computing
|July 9, 2025
概括
这项研究引入了一个深度学习系统,准确估计智能辅助设备的下肢关节时刻. 新的DeepMPSF-Net框架增强了现实世界的步态分析和设备控制.
科学领域:
- 生物力学和机器人技术
- 机器学习用于人类运动分析
背景情况:
- 精确估计下肢关节时刻对于开发有效的户外智能辅助设备 (IAD) 至关重要.
- 目前用于估计关节时刻的方法通常需要实验室设置,限制它们在现实世界的场景中的应用.
研究的目的:
- 提出一种新的多式运动意图识别系统,用于在实验室外快速准确地估计下肢关节时刻.
- 开发一个深度学习框架,DeepMPSF-Net,能够融合多个模型以改进步态变量估计.
主要方法:
- 一个融合框架,DeepMPSF-Net,是使用七个深度学习模型 (CNN,RNN,注意力机制) 作为单元模型开发的.
- 关节动力学和特征参数被用来估计在走路,跑步和楼梯谈判期间的斜腰平面关节时刻.
- 纳入数据增强模块以提高单元模型的性能,并采用可变重量融合.
主要成果:
- 增强的DeepMPSF-Net准确地识别了不同的移动模式.
- 实现了关节时刻的高估计性能 (PCC):0.952 (行走),0.988 (跑步),0.925 (上楼梯) 和0.921 (下楼梯).
- 该系统在动力学估计准确度方面取得了显著的改进.
结论:
- 拟议的DeepMPSF-Net系统提供了一种可靠的方法,用于在各种现实条件下估计下肢关节时刻.
- 预计这种估计系统将对智能下肢辅助设备的进步做出重大贡献.
