研究IMU传感器量对运动识别性能的影响,使用神经网络为动力下肢假肢进行研究

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:

• 与被动设备相比,动力假肢为下肢损失的个人提供了增强的移动性.
• 精确识别运动活动对于有效的假肢积极协助至关重要.
• 尽量减少传感器数量,同时保持识别准确度是一个关键挑战.

研究的目的:

• 调查惯性测量单元 (IMU) 传感器量对运动识别精度的影响.
• 评估不同神经网络 (NN) 架构,用于动力假肢中的活动识别.
• 为了确定最佳的传感器配置和NN模型用于假肢运动识别.

主要方法:

• 利用ENABL3S数据集进行训练和评估运动识别模型.
• 对比了各种神经网络架构,包括HAR-DeepConvLG.
• 评估了不同数量的IMU传感器对识别性能的影响.

主要成果:

• 哈尔-DeepConvLG模型表现出卓越的性能,在测试的传感器数量中获得最高的F1得分 (0.73-0.85).
• 模型性能与使用的IMU数量呈正相关.
• 准确识别水平步行活动被确定为可以进一步提高整体分数的因素.

结论:

• 神经网络架构和传感器数量显著影响动力假肢中的运动识别.
• 该HAR-DeepConvLG模型显示了有效和准确的活动识别的希望.
• 优化传感器放置和利用先进的NN模型可以提高假肢功能和用户移动性.