使用时空表现融合学习网络的步态识别与基于IMU的骨架图和身体分区策略

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 机器人技术 机器人技术 机器人技术

背景情况:

• 使用可穿戴传感器精确识别人类下肢运动对于人机交互至关重要.
• 现有的方法经常忽略动态空间信息,限制解码精度和稳定性.
• 惯性测量单元 (IMU) 传感器为捕获运动数据提供了可行的解决方案.

研究的目的:

• 开发一种深度学习模型,有效地利用基于IMU的骨数据的空间和时间信息,用于人类下肢运动识别.
• 解决现有方法在解码准确性和稳定性方面的局限性.
• 建立基于IMU的人类下肢运动识别的基准.

主要方法:

• 来自IMU传感器的结构骨架图数据.
• 提出了一个双分支深度学习模型,TCNN-MGCHN,集成时间和图形卷积模块.
• 开发了一种多尺度图形卷积模块,用于空间特征提取的身体分区策略.
• 整合了一个注意力子模块,用于增强时间特征提取.

主要成果:

• 与主流方法相比,TCNN-MGCHN模型在自构建的数据集上显示出更高的分类性能.
• 该模型有效地从基于IMU的骨架图数据中挖掘了有意义的空间和时间特征表示.
• 废弃性研究证实了拟议的模型组件的有效性.

结论:

• TCNN-MGCHN提供了一种强大而准确的方法,用于使用IMU传感器识别人类下肢运动.
• 该模型捕捉时空特征的能力在该领域取得了重大进展.
• 这项研究为基于IMU的运动识别和深度学习应用的未来研究提供了有价值的基准.