使用生物机械和生理信号与前神经网络进行步行环境识别:试点研究

科学领域:

• 生物力学和机器人技术
• 可穿戴式传感器技术
• 机器学习用于人类的机动运动.

背景情况:

• 人类的运动或步态对于日常活动至关重要,并且在各种环境中发生.
• 在行走时识别环境变化对于预防跌倒和控制辅助可穿戴机器人至关重要.
• 目前用于步行环境分类的方法往往缺乏实时适应性.

研究的目的:

• 开发和验证一种新的系统,用于使用可穿戴传感器数据对不同步行环境进行分类.
• 评估前神经网络 (FFNN) 在区分平面地面,坡道和楼梯方面的有效性.
• 建立先进步态分析和外骨架机器人控制的基础.

主要方法:

• 收集了五名参与者的同步步行数据,使用惯性测量单元,电磁皮肤反应传感器和智能内在平面地面,坡道和楼梯上.
• 通过时间同步和过预处理了47,033个数据样本,随后进行了环境特定的标签.
• 训练了一个前神经网络 (FFNN) 模型,其中有一个单一的隐藏层来分类步行环境.

主要成果:

• 该FFNN模型实现了高分类准确率98%的步态环境的识别.
• 在平坦的地面上行走时观察到的准确度最高.
• 该研究表明,结合来自多个可穿戴传感器的数据来识别行走环境的有效性.

结论:

• 可穿戴传感器技术与机器学习相结合,有效地分类各种步态环境.
• 这种方法在提高可穿戴机器人系统的安全性和功能方面显著有前途.
• 这些发现为未来对外骨控制和复杂步态分析的研究提供了关键的基线数据.