基于深度学习的康复智能助行器人体运动解码方法

步态障碍是全球最常见的疾病之一。其治疗依赖于康复疗法，其中智能助行器正被引入以增强用户的恢复能力和自主性，同时减少临床医生的工作量。为此，这些设备应能尽早解码人体运动和需求。目前的助行器利用可穿戴或嵌入式传感器（即惯性单元、力传感器、霍尔传感器和激光传感器）的信息来解码运动意图，其主要局限性在于方案成本高昂或对人体运动感知不足。智能助行器通常缺乏能直观理解人体运动的无缝人机交互。本文提出了一种非接触式方法，将人体运动解码视为早期动作识别/检测问题，并使用 RGB-D 相机。我们研究了基于深度学习的不同算法，分为三种不同的方法，处理从智能助行器嵌入式相机记录的 RGB-D 下肢视频序列，并将其分类为 4 类（停止、直行、右转/左转）。我们采集并准备了一个包含 15 名健康参与者使用该设备行走的定制数据集，得到 28800 帧平衡的 RGB-D 帧，用于训练和评估深度网络。最佳结果由带有通道注意力机制的卷积神经网络取得，离线早期检测/识别和试验模拟的准确率分别达到 99.61% 和 93% 以上。基于人体下肢特征编码了显著信息、有助于实现更稳健的实时应用预测这一假设，我们还使用 Dice 指标评估了算法焦点，得到的值略高于 30%。作为人体运动解码策略，早期动作检测取得了令人鼓舞的结果，且所提出架构的焦点有所增强。