基于外骨骼的多模态动作与运动识别：识别并开发最优提升学习方法
机器人学
2022-04-28 v2 计算机与社会
人机交互
机器学习
摘要
本文对基于外骨骼的动作与运动识别领域做出两项科学贡献。首先，提出了一种基于机器学习和模式识别的新框架，能够检测广泛的动作与运动——行走、上楼、下楼、坐、站、躺、站到坐、坐到站、坐到躺、躺到坐、站到躺和躺到站，总体准确率为 82.63%。其次，对不同学习方法——随机森林、人工神经网络、决策树、多路决策树、支持向量机、k-NN、梯度提升树、决策树桩、AutoMLP、线性回归、向量线性回归、随机树、朴素贝叶斯、朴素贝叶斯（核）、线性判别分析、二次判别分析和深度学习——应用于该框架进行了全面的比较研究。这些学习方法各自的性能均通过使用 AdaBoost 算法得到提升，并采用交叉验证方法进行训练与测试。结果表明，在提升形式下，k-NN 分类器优于所有其他提升学习方法，因此是为此目的的最优学习方法。所呈现和讨论的结果支持了本工作对于在未来基于物联网的生活环境（如智能家庭）中增强外骨骼辅助及老年人独立生活能力的重要意义。作为一个具体用例，我们还讨论了我们的工作发现如何与混合辅助肢体（Hybrid Assistive Limb）外骨骼——一种高度功能化的下肢外骨骼——的能力增强相关。
引用
@article{arxiv.2106.10331,
title = {Exoskeleton-Based Multimodal Action and Movement Recognition: Identifying and Developing the Optimal Boosted Learning Approach},
author = {Nirmalya Thakur and Chia Y. Han},
journal= {arXiv preprint arXiv:2106.10331},
year = {2022}
}