基于学习模型的动态协作机器人任务中人类肌肉疲劳估计

评估人类肌肉疲劳对于优化物理人机交互（pHRI）中的性能和安全性至关重要。本文提出了一种数据驱动框架，用于估计动态、循环式pHRI中的疲劳，使用腕部安装的表面电生理信号（sEMG）。主体特定的机器学习回归模型（随机森林、XGBoost和线性回归）从三个频域特征和一个时域EMG特征预测循环疲劳比例（FCF），并与一种卷积神经网络（CNN）进行基准测试，该网络输入为滤波EMG的频谱图。将疲劳估计建模为回归（而非分类）捕捉疲劳向连续过程的演进，支持早期检测、及时干预和自适应机器人控制。在十名受试者的实验中，一台协作机器人在可阻尼控制下引导重复的侧向（左右）末端执行器运动，直到出现肌肉疲劳。CNN的平均FCF RMSE为20.8±4.3%，随机森林为23.3±3.8%，XGBoost为24.8±4.5%，线性回归为26.9±6.1%。为探讨跨任务泛化，另一名受试者额外执行了未见的垂直（上下）和圆形重复运动；仅在侧向数据上训练的模型直接测试， largely 保持了准确性，表明对运动方向、手臂运动学和肌肉召集的变化具有鲁棒性，而线性回归则恶化。总体而言，本研究表明，基于特征的机器学习和基于频谱图的深度学习都可以估计重复pHRI中的剩余工作能力，CNN提供最低的误差，基于树的方法紧随其后。报告的对新运动模式的迁移表明，未来在无需为每个任务重新训练的情况下进行疲劳监测具有潜力，提高操作员的保护，并实现疲劳感知的共享自主控制，实现更安全的疲劳自适应pHRI控制。