基于表面 EMG 和 IMU 信号的脚踏外骨骼运动分类深度学习
系统与控制
2024-11-26 v1 机器学习
系统与控制
摘要
脚踏外骨骼因其潜在的提升行动能力和降低跌倒风险的作用，尤其在老年人群中备受关注。这些设备的有效性依赖于通过传感器输入对用户意图运动进行准确的实时预测。本文提出一种新颖的运动预测框架，将三个惯性测量单元 (IMU) 和八个表面电位图 (sEMG) 传感器集成在一起，以捕获运动学和肌肉活动数据。为此目的，记录了一套代表无障碍环境中日常运动的活动。我们的发现表明，卷积神经网络 (CNN) 在由五个运动任务组成的数据集上略微优于长短期记忆网络 (LSTM)，分别实现了 和 的分类准确率。此外，我们展示了系统在迁移学习方面的专业能力，使其能够仅通过每类的十个样本即可对新主体进行准确的运动分类。通过对因传感器故障导致信号缺失而产生的情形进行测试，证明了该模型的鲁棒性，在实际场景中仍能保持可靠性能。这些结果凸显了深度学习算法在提升脚踏外骨骼功能和安全性方面的潜力，从而提高其在日常生活中的可用性。
引用
@article{arxiv.2411.16273,
title = {Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals},
author = {Silas Ruhrberg Estévez and Josée Mallah and Dominika Kazieczko and Chenyu Tang and Luigi G. Occhipinti},
journal= {arXiv preprint arXiv:2411.16273},
year = {2024}
}