评估基于机器学习的人类机械运动活动的分类,用于外骨控制,使用惯性测量单元和压力内数据
Tom Wilson1, Samuel Wisdish2, Josh Osofa3
1Research Software & Analytics Group, University of Exeter, Exeter EX4 4PY, UK.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
轻度梯度增强机 (LGBM) 模型有效地使用可穿戴传感器对人类步行和跑步活动进行分类. 这种机器学习方法显示出对机器人外骨架的先进控制有前途.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 精确地分类人类运动活动对于控制可穿戴的机器人外骨架至关重要.
- 可穿戴传感器,包括惯性测量单元 (IMU) 和电子织压力传感器,提供了一种非侵入性数据收集方法.
- 机器学习模型可以分析复杂的传感器数据以推断活动类型,速度和倾斜.
研究的目的:
- 评估三种机器学习模型 (逻辑回归,随机森林,光梯度增强机) 用于分类人类运动活动.
- 评估模型在走路,跑步和跳跃之间进行区分的能力,以及预测速度和表面倾斜.
- 为了确定最佳的传感器放置和数据类型,以准确预测活动.
主要方法:
- 收集了16名健康参与者在跑步机运动期间使用下肢和骨盆IMU和内压力传感器的数据.
- 在传感器数据上训练并验证了后勤回归,随机森林和光梯度增强机模型.
- 通过使用单独的测试数据集对分类活动类型,速度和斜率进行模型性能评估.
主要成果:
- 与物流回归和随机森林相比,轻度梯度增强机 (LGBM) 模型在分类活动类型和预测速度方面表现优异.
- 在IMU传感器输入减少的情况下,LGBM显示出强度,并将陀螺仪数据确定为性能最关键的.
- 评估的模型没有显著提高斜率分类的准确性,而速度预测受到过渡步态模式的挑战.
结论:
- 该LGBM模型显示了实时运动运动活动预测的巨大潜力,使用来自下肢安装IMU的数据.
- 这项技术可以通过准确识别用户意图来增强可穿戴机器人外骨的控制能力.
- 需要进一步的研究来改善斜率预测,并解决区分快速步行和慢慢跑的挑战.
