用于sEMG基于关节扭矩估计的轻量级神经网络特征提取管线
机器人学
2026-02-13 v2 机器学习
摘要
机器人辅助康复提供了有效方法，其中义肢会根据用户需求进行适应并提供个性化帮助。然而，要实现此类帮助，准确预测用户关节扭矩至关重要。本工作提出了使用8通道表面电生理信号（sEMG）来预测肘部和肩部关节扭矩的特征提取管线。为进行初步评估，该管线被集成到两种神经网络模型中：多层感知器（MLP）和时间卷积网络（TCN）。数据来自单一受试者在三个负荷条件（0 kg、1.10 kg 和 1.85 kg）下进行肘部和肩部运动的实验，采用三台运动捕捉摄像机。参考扭矩基于力学质心运动学在静力平衡假设下的估计。我们的离线分析显示，在使用特征提取管线后，MLP模型在肘部、前肩和侧肩关节分别获得了0.963 Nm、1.403 Nm 和 1.434 Nm的平均RMSE（基于五次随机种子）。这些结果相当于TCN的性能。这些结果表明，提出的特征提取管线使简单MLP能够实现相当于专为处理时序依赖关系而设计的网络的性能。这一发现对于数据训练受限的应用尤为相关，这是患者护理中常见的情况。
引用
@article{arxiv.2601.16712,
title = {A Feature Extraction Pipeline for Enhancing Lightweight Neural Networks in sEMG-based Joint Torque Estimation},
author = {Kartik Chari and Raid Dokhan and Anas Homsi and Niklas Kueper and Elsa Andrea Kirchner},
journal= {arXiv preprint arXiv:2601.16712},
year = {2026}
}