传统机器学习与深度学习技术在步态相位检测中的比较
信号处理
2024-03-12 v1 计算机视觉与模式识别
人机交互
机器学习
摘要
人类行走是一项复杂的活动，涉及体内不同系统间高度的协作与交互。实时准确检测步态相位对于控制外骨骼和假肢等下肢辅助设备至关重要。检测行走步态相位的方法多种多样，从摄像头和深度传感器到附着于设备本身或人体上的传感器不等。肌电图（EMG）作为一种输入方法，因其精确性以及神经肌肉活动与肌肉运动之间的时间延迟而备受关注。本研究提出了几种基于下肢 EMG 数据的人类行走机器学习（ML）模型。所提出的模型基于高斯朴素贝叶斯（NB）、决策树（DT）、随机森林（RF）、线性判别分析（LDA）和深度卷积神经网络（DCNN）。传统 ML 模型是在手工制作的特征或其经主成分分析（PCA）降维后的分量上进行训练的。相比之下，DCNN 模型利用卷积层从原始数据中提取特征。结果表明，传统 ML 模型的平均准确率高达 75%，而深度学习（DL）模型为 79%。在 50 次训练 DL 模型的试验中，最高准确率达到 89.5%。
引用
@article{arxiv.2403.05595,
title = {Comparison of gait phase detection using traditional machine learning and deep learning techniques},
author = {Farhad Nazari and Navid Mohajer and Darius Nahavandi and Abbas Khosravi},
journal= {arXiv preprint arXiv:2403.05595},
year = {2024}
}
备注
Copyright \c{opyright} This is the accepted version of an article published in the proceedings of the 2022 IEEE International Conference on Systems, Man, and Cybernetics (SMC)