开放环境的证据学习可用于可靠的肌电运动预测

科学领域:

• 机器人和人机交互的人机交互
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 准确的运动预测对于下肢外骨架的辅助至关重要.
• 目前基于表面电肌图 (sEMG) 的深度学习模型由于封闭世界的假设而与现实世界的动态环境作斗争.
• 这种限制在不可预测的情况下会给安全控制带来风险.

研究的目的:

• 提出开放环境证据学习 (OEEL) 框架,以提高外骨运动预测的可靠性.
• 解决当前肌电控制系统中封闭世界假设的局限性.
• 提高下肢外骨架在动态,现实世界的场景中的适应性和安全性.

主要方法:

• 开发了开放环境证据学习 (OEEL) 框架.
• 综合证据深度学习和分发之外的增强技术.
• 评估了框架在封闭和开放环境条件下的性能,涉及多个主体和移动模式.

主要成果:

• 在封闭环境中为五种机动方式实现了96.04%的平均预测准确度.
• 在开放环境条件下对已知类保持了79.53%的准确性.
• 与开放环境中的传统卷积神经网络相比,故障检测提高了26.67% (风险覆盖曲线).

结论:

• OEEL可靠量化预测不确定性,对于安全控制外骨至关重要.
• 该框架有效地检测出新的或模两可的运动,提高了适应能力.
• 在现实世界下肢外骨架应用中,OEEL为肌电控制系统提供了显著的进步.