基于小腿挂载IMU与人工神经网络的连续运动模式识别与步态相位估计
摘要
为改进用于步态辅助的可穿戴机器人的控制，我们提出了一种基于包含时间历史信息的人工神经网络的连续运动模式识别以及步态相位和楼梯坡度估计方法。输入特征仅由可通过单个小腿挂载惯性测量单元测量的处理后变量组成。我们引入了一种可穿戴设备来获取真实环境测试数据，以证明该方法的性能与鲁棒性。针对稳态平地行走和稳态楼梯行走，确定了平均绝对误差（步态相位、楼梯坡度）和准确率（运动模式）。使用来自不同传感器硬件、传感器固定方式、行走环境和受试者的测试数据评估了鲁棒性。稳态步态测试数据中步态相位估计的平均绝对误差为2.0–3.5%，楼梯坡度估计为3.3–3.8°（度）。利用时间历史信息在测试数据上正确分类运动模式的准确率介于98.51%与99.67%之间。结果表明，在稳态步态期间连续预测步态相位、楼梯坡度和运动模式具有高性能与鲁棒性。正如假设，时间历史信息改善了运动模式识别。然而，尽管步态相位估计在未经训练的运动模式间过渡中表现良好，我们的定性分析显示，将过渡数据纳入神经网络训练可能有益于改进坡度和运动模式的预测。我们的结果表明，人工神经网络可用于可穿戴下肢机器人的高层控制。
引用
@article{arxiv.2208.00861,
title = {Continuous locomotion mode recognition and gait phase estimation based on a shank-mounted IMU with artificial neural networks},
author = {Florian Weigand and Andreas Höhl and Julian Zeiss and Ulrich Konigorski and Martin Grimmer},
journal= {arXiv preprint arXiv:2208.00861},
year = {2022}
}
备注
Copyright 2022 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works