一个基于EMG的GRU模型用于估计脚压,以支持活动脚正的发育
Praveen Nuwantha Gunaratne1, Hiroki Tamura2
1Interdisciplinary Graduate School of Agriculture and Engineering, University of Miyazaki, 1-1 Gakuen Kibanadai-nishi, Miyazaki 889-2192, Japan.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
这项研究使用表面电肌图 (EMG) 和深度学习来预测走路时的脚压. 这种方法增强了活跃的脚-脚 (AAFO) 为老年人群提供更好的,个性化的步行支持.
科学领域:
- 生物力学 生物力学
- 康复工程 康复工程 康复工程
- 医疗保健中的机器学习
背景情况:
- 人口老龄化面临着移动性挑战,特别是脚功能障碍,如脚下降.
- 由于基于规则的控制,当前的活跃脚脚 (AAFO) 缺少适应性.
- 需要与个人步态动态同步的个性化AAFO控制.
研究的目的:
- 开发一种基于神经肌肉激活的方法来预测脚部压力分布.
- 通过深度学习和表面电肌学 (EMG) 来增强AAFO的实时控制.
- 改善步行适应性和支持关节损伤的个体.
主要方法:
- 采集了四个脚肌肉的表面电磁图和脚下压力数据,使用强度敏感电阻 (FSR) 系统.
- 利用一个有门的反复单元 (GRU) 深度学习模型与根平均平方 (RMS) 功能进行预测.
- 在数据预处理和细分方面采用了滑动窗口方法.
主要成果:
- 格鲁模型准确地预测了实时的足部压力分布.
- 成功推断了关键的步态事件,如脚跟撞击,中间姿势和脚脱落.
- 证明了强大的EMG信号兼容性,并确定了个别的电机延迟 (EMD) 变化.
结论:
- 拟议的预测框架为AAFO控制提供了一个可扩展和可解释的方法.
- 可使AAFO辅助与用户特定的步态动态同步.
- 为更具适应性和有效性的移动辅助设备铺平了道路.
