机器学习能够使用机器人部外骨架快速检测滑落
Reese R Peterson1, Jennifer K Leestma2, Inseung Kang3
1Department of Mechanical Engineering, Georgia Institute of Technology, Atlanta, GA, 30332 USA. He is now with the Florida Institute for Human and Machine Cognition, Pensacola, FL, 32502 USA.
IEEE transactions on medical robotics and bionics
|August 21, 2025
概括
研究人员开发了部外骨架的滑动检测算法,以帮助恢复平衡. 极端梯度提升 (XGBoost) 显示出最佳性能,为工业工人和老年人实现了高精度和快速检测时间.
科学领域:
- 机器人技术
- 生物力学
- 机器学习
背景情况:
- 滑倒是工业工人和老年人的伤害的主要原因.
- 有效的平衡恢复系统需要快速发现滑动.
- 目前的辅助设备缺乏有效的实时滑动检测功能.
研究的目的:
- 使用部外骨架传感器检测滑落的不同机器学习模型的有效性.
- 确定快速准确地检测滑动的最佳算法,以提高平衡恢复.
主要方法:
- 使用线性差异分析 (LDA),极端梯度增强 (XGBoost) 和卷积神经网络 (CNN) 训练和评估用户独立的模型.
- 使用来自部外骨的原生传感器数据在基于跑步机的滑动中.
- 在不同级别的早期 (ES) 和后期 (LS) 滑动上测试模型.
主要成果:
- 所有测试的模型,除了LS滑动的LDA,在滑动检测中达到90%以上的准确性.
- 通过快速检测时间 (ES为155. 06毫秒,LS为228. 88毫秒) 和高中准确度 (ES为96. 25%,LS为93. 75%),XGBoost表现出卓越的性能.
- 在195. 64毫秒 (ES) 和266. 24毫秒 (LS) 中,XGBoost获得了100%的灵敏度.
结论:
- 机器学习模型,特别是XGBoost,对部外骨架的实时滑动检测具有显著的前景.
- 开发的模型可以帮助设计有效的平衡恢复策略.
- 需要进一步的研究来为不同的人群和滑动场景创建可通用的模型.
