基于Transformer的下半身关节角度和力矩预测方法——基于sEMG和IMU数据的行走
机器人学
2025-06-06 v1
摘要
本研究提出一种基于Transformer的深度学习框架，用于基于表面电生理信号(sEMG)和惯性测量单元(IMU)信号对下半身关节角度和关节力矩进行长期预测。我们设计了两个独立的Transformer神经网络(TNN)，分别用于运动学和动力学预测。该模型以实时应用为目标，仅使用适合户外实验的可穿戴传感器。我们考虑了两个预测时程，以评估短期和长期性能。该网络在两个任务中均实现了高精度，所有关节的Spearman相关系数均超过0.96，R平方得分均高于0.92。值得注意的是，该模型在关节角度预测中始终优于最近的基准方法，将RMSE误差降低了一个数量级。结果确认了sEMG和IMU信号在捕获运动学和动力学信息方面的互补作用。本工作证明了基于Transformer的模型在可穿戴和机器人应用中实现实时、全身肢体生物力学预测的潜力，未来方向包括输入最小化和模态特定加权策略，以提升模型效率和准确性。
引用
@article{arxiv.2506.04577,
title = {A Novel Transformer-Based Method for Full Lower-Limb Joint Angles and Moments Prediction in Gait Using sEMG and IMU data},
author = {Farshad Haghgoo Daryakenari and Tara Farizeh},
journal= {arXiv preprint arXiv:2506.04577},
year = {2025}
}
备注
10 pages, 4 figures