在下肢外骨架中异常的步行阶段识别和四肢角度预测

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物力学 生物力学
• 机器学习 机器学习

背景情况:

• 控制下肢外骨架在检测异常步行阶段和预测下肢角度方面面临挑战.
• 异常的步态,如剪刀,落脚和摇摇欲的步态,需要精确的相位识别才能提供有效的辅助.

研究的目的:

• 开发和验证一种可靠的方法来检测异常的步态阶段和下肢角度预测.
• 通过提高运动预测精度来增强下肢外骨的控制能力.

主要方法:

• 模拟了三个异常的步态:剪刀,落脚和摇摆.
• 提出了四个离散阶段的划分 (摇摆前,摇摆,摇摆终止,姿势) 以用于单腿步行阶段识别.
• 利用卷积神经网络 (CNN) 和支持矢量机器 (SVM) 进行离散相识别.
• 使用自适应频率振荡器进行连续相位估计.
• 开发了一种创新的输入方案,整合了三轴脚关节角度和连续步态阶段,用于运动角度预测.
• 使用CNN-长期短期记忆 (LSTM) 网络评估预测准确度.

主要成果:

• 成功地使用CNN和SVM识别了离散的步态阶段.
• 通过自适应频率振荡器实现了连续步行阶段估计.
• 建议的信息融合方案显著提高了下肢角度预测的准确性.
• CNN-LSTM网络在预测四肢运动角度方面表现出卓越的表现.

结论:

• 拟议的四个离散阶段的划分增强了异常步行的识别.
• 整合脚关节的角度和连续的步态阶段是有效的四肢角度预测.
• 开发的方法有望改善下肢外骨架的控制和功能.