基于深度学习的准动态与动态肌肉收缩中端点力的多模态估计
信号处理
2022-07-22 v1
摘要
准确的力/力矩估计对于动力外骨骼、机器人和康复等应用至关重要。然而，由于关节角度、力水平、肌肉长度和运动速度的变化，动态条件下的力/力矩估计具有挑战性。我们提出了一种新颖的方法，用于在等张、等速（准动态）和完全动态条件下准确建模生成的力。我们的方案使用深度多模态 CNN 从多模态 EMG-IMU 数据中学习，并估计肘屈和肘伸生成的力，涵盖被试内和被试间方案。所提出的深度多模态 CNN 从 EMG（时域和频域）和 IMU（时域）中提取表征，并将其聚合以获得用于力估计的有效嵌入。我们描述了一个包含 EMG、IMU 和输出力数据的新数据集，该数据集在多种不同实验条件下采集，并用此数据集评估我们提出的方法。结果表明，在不同实验设置和验证方案下，我们的方法相较于其他基线方法及文献中的方法具有鲁棒性。所获得的 值在等张、等速和动态收缩中，被试内分别为 0.910.034、0.870.041 和 0.810.037，被试间分别为 0.810.048、0.640.037 和 0.590.042。此外，我们的结果表明，当纳入运动学信息（IMU 数据）时，力估计显著改善。等张、等速和动态收缩中分别实现了 13.95%、118.18% 和 50.0%（被试内）以及 28.98%、41.18% 和 137.93%（被试间）的平均提升。
引用
@article{arxiv.2207.10154,
title = {Multimodal Estimation of End Point Force During Quasi-dynamic and Dynamic Muscle Contractions Using Deep Learning},
author = {Gelareh Hajian and Evelyn Morin and Ali Etemad},
journal= {arXiv preprint arXiv:2207.10154},
year = {2022}
}
备注
Accepted to IEEE Transactions on Instrumentation and Measurement