一种用于人体运动意图识别的基于权重的多源无监督域自适应方法

准确识别人体运动意图(HMI)有助于外骨骼机器人提高佩戴舒适度并实现自然的人机交互。由于个体运动特征的差异，在带标签的源受试者（域）上训练的分类器在无标签的目标受试者上表现不佳。无监督域自适应(UDA)方法已成为解决该问题的有效途径。然而，带标签的数据是从多个源受试者收集的，它们不仅可能与目标受试者不同，而且彼此之间也可能存在差异。当前的用于HMI识别的UDA方法忽略了各源受试者之间的差异，从而降低了分类准确率。因此，本文考虑了源受试者之间的差异，并开发了一种新的UDA理论和算法来识别HMI，其中将边缘差异差异(MDD)扩展到多源UDA理论，并提出了一种新的基于权重的多源UDA算法(WMDD)。通过各源受试者与目标受试者之间的MDD自适应调整的源域权重被纳入UDA中，以衡量源受试者之间的差异。所开发的多源UDA理论具有理论保障，且在目标受试者上的泛化误差得到了保证。该理论可以转化为UDA的优化问题，成功弥合了理论与算法之间的差距。此外，采用轻量级网络来保证分类的实时性，并利用特征生成器与集成分类器之间的对抗学习来进一步提高泛化能力。大量实验验证了理论分析，并表明WMDD在HMI识别任务上优于以往的UDA方法。