通过动态上下文聚焦与门控线性单元改进膝关节角度预测
机器人学
2023-10-04 v2
摘要
准确的膝关节角度预测对于生物力学分析和康复至关重要。在本研究中，我们引入 FocalGatedNet，一种融合动态上下文聚焦（DCF）注意力与门控线性单元（GLU）的新颖深度学习模型，以增强特征依赖与交互。我们的模型在大规模数据集上评估，并与多步步态轨迹预测中的既有模型比较。结果表明，FocalGatedNet 在长期预测长度（20 ms、60 ms、80 ms 和 100 ms）上优于现有模型，在平均绝对误差（MAE）和均方根误差（RMSE）上取得显著改进。具体到 80 ms 情形，与 Transformer 相比，FocalGatedNet 实现了高达 24% 的 MAE 降低、高达 14% 的 RMSE 降低以及高达 36% 的 MAPE 降低，凸显了其在捕捉复杂膝关节角度模式上的有效性。此外，FocalGatedNet 维持比大多数同等深度学习模型更低的计算负载，使其成为实时生物力学分析与康复应用的高效选择。
引用
@article{arxiv.2306.06900,
title = {Improving Knee Joint Angle Prediction through Dynamic Contextual Focus and Gated Linear Units},
author = {Lyes Saad Saoud and Humaid Ibrahim and Ahmad Aljarah and Irfan Hussain},
journal= {arXiv preprint arXiv:2306.06900},
year = {2023}
}
备注
Under consideration at Pattern Recognition Letters