受步态周期启发的表面肌电信号连续预测膝关节轨迹学习策略
机器人学
2023-07-26 v1 人工智能
摘要
预测下肢运动意图对于控制外骨骼机器人与假肢至关重要。表面肌电图（sEMG）因能在实际运动前实现运动意图的提前预测，近年来受到越来越多的关注。然而，由于受试者间与受试者内的差异，人体关节轨迹的估计性能仍具挑战性。前者与个体的生理差异（如身高、体重）和偏好的行走模式有关，后者主要由不规则且与步态无关的肌肉活动引起。本文提出一种融合两种步态周期启发学习策略的模型，以缓解预测人体膝关节轨迹的挑战。第一种策略将膝关节角度解耦为运动模式与幅度，前者个体差异小，后者个体差异大。通过分离的网络实体学习，模型得以同时捕捉共性与个性化步态特征。第二种策略从长时间行走的步态周期中提取肌肉主激活掩码，这些掩码用于从原始 sEMG 中滤除与行走无关的成分，并提供辅助引导以捕捉更多步态相关特征。实验结果表明，我们的模型可提前 50 毫秒预测膝关节角度，平均均方根误差（RMSE）为 3.03(0.49) 度。据我们所知，这是相关文献报道的最佳性能，RMSE 至少降低了 9.5%。
引用
@article{arxiv.2307.13209,
title = {Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee Joint Trajectory from sEMG},
author = {Xueming Fu and Hao Zheng and Luyan Liu and Wenjuan Zhong and Haowen Liu and Wenxuan Xiong and Yuyang Zhang and Yifeng Chen and Dong Wei and Mingjie Dong and Yefeng Zheng and Mingming Zhang},
journal= {arXiv preprint arXiv:2307.13209},
year = {2023}
}