深度学习用于使用表面EMG和IMU信号对脚外骨进行运动分类
Silas Ruhrberg Estévez1,2, Josée Mallah1, Dominika Kazieczko1
1Electrical Engineering Division, Department of Engineering, University of Cambridge, Cambridge, CB3 0FA, UK.
Scientific reports
|November 1, 2025
概括
这项研究引入了一种使用织传感器和深度学习的新型脚外骨控制系统. 它在预测用户意图方面达到很高的准确性,提高了用户的安全性和流动性.
科学领域:
- 生物医学工程 生物医学工程
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 关节外骨架有潜力提高移动性,康复和降低跌倒风险,特别是在老年人群中.
- 有效的外骨控制依赖于准确的,实时预测用户意图从可穿戴传感器数据.
- 现有的传感器技术在长期部署时可能面临舒适性,耐用性和可用性方面的挑战.
研究的目的:
- 开发和评估用于脚外骨架控制的运动分类框架.
- 将基于织品的新型表面电肌图 (sEMG) 传感器与惯性测量单位 (IMU) 集成.
- 评估系统的准确性,适应性和强度,用于现实世界的外骨应用.
主要方法:
- 开发了一个框架,结合了三个IMU和八个sEMG传感器,制造为舒适,耐用的毛巾式织电极.
- 收集了五种功能性日常运动的多通道时间序列记录数据集.
- 卷积神经网络 (CNN) 用于使用传感器数据进行运动分类.
主要成果:
- 基于CNN的框架实现了99.263 ± 0.26%的分类准确度,明显超过了之前的研究.
- 转移学习证明了可靠的适应新用户与最小的校准数据 (每动作10个样本).
- 即使在单个传感器中断时,系统也保持了稳定的分类性能,表明了强度.
结论:
- 开发的框架可以实现安全,高精度和现实世界准备的脚外骨架控制.
- 深度学习与可穿戴的织电极和IMU相结合,为先进的外骨架系统提供了一种可行的方法.
- 这些发现支持了这项技术在改善用户移动性和日常活动中的安全方面的潜力.
更多相关视频
11:06A Human-machine-interface Integrating Low-cost Sensors with a Neuromuscular Electrical Stimulation System for Post-stroke Balance Rehabilitation
Published on: April 12, 2016
10.8K
08:15Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
Published on: March 28, 2025
1.2K
