深度卷积神经网络与迁移学习用于运动意图预测
机器人学
2022-09-27 v1
摘要
动力假肢腿在不同运动模式（如平地行走、上下楼梯、上下坡）切换时必须预判使用者的意图。众多数据驱动的分类技术已展示出预测用户意图的良好前景，但这些意图预测模型在新受试者上的表现仍不理想。在其他领域（如图像分类）中，迁移学习通过利用从大型数据集（即预训练模型）中学到的特征，再将该学习模型迁移到可用数据较小的任务，提升了分类准确率。本文基于人体运动数据集，开发了具有受试者内（依赖于受试者）和受试者间（独立于受试者）验证的深度卷积神经网络。随后，我们利用留出受试者10%的数据对受试者间模型应用迁移学习。我们比较了这三种模型的性能。结果表明，迁移学习（TL）模型优于受试者间（IND）模型，且与受试者内（DEP）模型相当（DEP误差：0.74 0.002%，IND误差：11.59 0.076%，TL误差：3.57 0.02%（使用10%数据））。此外，正如预期，迁移学习准确率随留出受试者可用数据增多而提高。我们还评估了意图预测系统在不同传感器配置下的性能，这些配置可能应用于假肢腿中。结果表明，假肢上的大腿IMU足以在实践中预测运动意图。
引用
@article{arxiv.2209.12365,
title = {Deep Convolutional Neural Network and Transfer Learning for Locomotion Intent Prediction},
author = {Duong Le and Shihao Cheng and Robert D. Gregg and Maani Ghaffari},
journal= {arXiv preprint arXiv:2209.12365},
year = {2022}
}