在跨过渡和稳定状态循环/非循环步态的移动模式预测中,IMU和sEMG的比较性能

科学领域:

• 生物医学工程 生物医学工程
• 人与计算机的交互
• 康复机器人 康复机器人

背景情况:

• 准确的运动模式预测对于人与辅助设备的互动至关重要.
• 多模式传感有望提高准确性,但由于模糊的模式优势,往往低于单模式方法的性能.
• 需要系统地比较惯性测量单元 (IMU) 和表面肌电图 (sEMG).

研究的目的:

• 系统地比较IMU和sEMG用于人类移动模式预测.
• 评估深度学习架构和窗口长度对预测性能的影响.
• 为在辅助设备中提供有效的多式联通数据融合提供指导方针.

主要方法:

• 利用公开的数据集,其中9名受试者执行了17个步行活动.
• 在循环和非循环,稳定状态和过渡状态的机动任务中评估性能.
• 研究了深度学习模型 (CNN,LSTM,TCN) 和不同的滑动窗口长度 (短与长).

主要成果:

• 根据模式,窗户长度和步态类型观察到显著的性能差异.
• 通过IMU和短窗口实现了非循环模式的最佳精度.
• 用sEMG和长窗实现了循环模式的最佳精度; 时间卷积网络 (TCN) 显示出优异的整体性能.

结论:

• 利用模式特定的优势 (IMU用于非周期性,sEMG用于周期性) 提高了移动模式预测.
• 在不同的机动任务中,TCN提供了强大的性能.
• 结果为适应性,可解释性和高性能多式联络辅助设备控制提供了指导方针.