深度学习模型优化用于外骨架辅助行走期间从EMG数据中识别步行阶段

科学领域:

• 生物医学工程 生物医学工程
• 康复技术 康复技术 康复技术
• 医疗保健中的机器学习

背景情况:

• 外骨架为运动功能障碍康复提供了有希望的解决方案.
• 准确的在线控制辅助外骨架对于患者的步行辅助至关重要.
• 表面电肌图 (sEMG) 信号反映了与运动相关的肌肉活动.

研究的目的:

• 探索深度学习 (DL) 模型,在外骨架辅助行走期间使用sEMG数据进行在线步态阶段预测.
• 优化DL模型以减少尺寸和计算成本,同时保持高精度.
• 评估在线实施实时外骨控制的可行性.

主要方法:

• 利用sEMG数据和关节动力学来预测步行阶段 (姿势/摇摆).
• 采用跨学科设计进行模型概括.
• 实现了超参数优化,以减少DL模型大小和计算需求.
• 模拟了一个用例场景来评估在线实施的可行性.

主要成果:

• 确定了一个DL模型,在步态阶段分类中达到约95%的准确性.
• 显著减少了优化DL模型中的参数数量.
• 在优化模型中实现了不到10ms的平均计算时间.
• 引入了用于评估模型成本效益的权衡得分 (TOS) 度量.

结论:

• 拟议的DL方法允许使用sEMG数据对下肢外骨进行准确的在线步行阶段预测.
• 优化的DL模型为实时控制提供了可行的解决方案,增强了外骨架辅助康复.
• 这些发现支持基于sEMG的DL模型在改善辅助外骨功能和患者结果方面的潜力.