从示范方法学习可以编码和概括人类运动的神经康复吗?

科学领域:

• 在神经康复中使用机器人
• 人与计算机的互动.
• 机器学习用于电机控制.

背景情况:

• 目前的机器人神经康复经常使用简单的,标准化的练习.
• 人们需要机器人来支持日常生活活动 (ADLs) 的复杂,个性化的运动.
• 这需要临床医生教机器人新练习的方法,导致通过演示学习 (LfD) 算法.

研究的目的:

• 为了比较任务参数化高斯混合模型 (TPGMM) 和动态运动原始体 (DMP) 用于对ADL的上肢运动进行概括.
• 扩展高级算法 (TPGMM) 来编码健康和中风后个体执行饮酒任务的运动.

主要方法:

• 用于运动概括的TPGMM和DMP算法的比较.
• 实施TPGMM来编码上肢运动进行饮酒任务.
• 从健康的参与者和中风后的个人收集数据.

主要成果:

• 与DPM和基于模型的方法相比,TPGMM在越来越多的任务和环境复杂性中表现出更好的健康人类运动的概括性.
• TPGMM有效地编码了中风后个体的运动,与健康个体相比显示出不同的模式.

结论:

• 与DMP相比,TPGMM是一种更有效的算法,用于在神经康复中概括上肢运动.
• TPGMM可以成功地编码和区分健康和中风后个体的运动,为个性化机器人康复铺平道路.