超越步态：学习多场景下假肢无缝控制的膝关节角度
机器人学
2024-04-11 v1
摘要
深度学习模型凭借其在各种步态阶段和运动模式间的适应性，已成为下肢假肢膝关节角度估计的强大工具。现有方法利用多层感知机（MLP）、长短期记忆网络（LSTM）和卷积神经网络（CNN），主要分析来自大腿的运动信息。与这些方法相反，我们的研究通过将全身运动整合为输入，引入了一种全局视角。我们提出了一种基于 Transformer 的概率框架，称为角度估计概率模型（AEPM），该模型能够在步行之外的广泛场景中提供精确的角度估计。AEPM 的总体 RMSE 为 6.70 度，在步行场景中的 RMSE 为 3.45 度。与现有技术相比，AEPM 将步行预测准确率提高了 11.31%。我们的方法能够实现不同运动模式之间的无缝适应。此外，该模型还可用于分析膝关节与其他关节之间的协同作用。我们发现全身运动包含对膝关节运动有价值的信息，这可以为假肢传感器的设计提供见解。代码可在 https://github.com/penway/Beyond-Gait-AEPM 获取。
引用
@article{arxiv.2404.06772,
title = {Beyond Gait: Learning Knee Angle for Seamless Prosthesis Control in Multiple Scenarios},
author = {Pengwei Wang and Yilong Chen and Wan Su and Jie Wang and Teng Ma and Haoyong Yu},
journal= {arXiv preprint arXiv:2404.06772},
year = {2024}
}
备注
8 pages, 6 figures, This work has been submitted to the IEEE-RAL for possible publication