中风康复中机器人网络的联邦联合学习
机器人学
2024-03-11 v1
摘要
凭借丰富的感知能力和精确的执行能力，机器人在为中风引起的运动障碍患者提供专业和定制化的康复锻炼方面具有巨大潜力。自主机器人康复显著减轻了漫长而枯燥的康复过程中的人力负担。然而，由于数据稀缺问题，训练康复机器人具有挑战性。这一挑战源于临床数据访问和使用过程中的隐私顾虑（例如，泄露患者私人疾病和身份信息的风险）。来自不同患者和医院的数据无法共享以进行充分的机器人训练，这进一步损害了康复安全性并限制了实施范围。为应对这一挑战，本工作开发了一种新颖的联邦联合学习 (FJL) 方法，用于跨医院联合训练机器人。FJL 还采用了长短期记忆网络 (LSTM)-Transformer 学习机制，以有效探索患者运动状况与机器人康复运动之间复杂的时空关系。为了验证 FJL 在训练机器人网络方面的有效性，设计了一项临床与模拟相结合的实验。采用了来自 200 名中风疾病患者（上肢偏瘫、帕金森综合征和背痛综合征）的真实康复锻炼数据。由临床数据逆向驱动，模拟了 300,000 次机器人康复指导。事实证明，FJL 在联合康复学习中行之有效，其表现比基线方法高出 20% - 30%。
引用
@article{arxiv.2403.05472,
title = {Federated Joint Learning of Robot Networks in Stroke Rehabilitation},
author = {Xinyu Jiang and Yibei Guo and Mengsha Hu and Ruoming Jin and Hai Phan and Jay Alberts and Rui Liu},
journal= {arXiv preprint arXiv:2403.05472},
year = {2024}
}