使用 Kolmogorov-Arnold Networks 的下肢假肢个性化控制
机器学习
2025-05-15 v1
摘要
目的：本文研究 Kolmogorov-Arnold Networks (KANs) 中可学习激活函数在下肢假肢个性化控制中的潜力。此外，评估用户特定与汇总训练数据以改进转向意图预测的机器学习 (ML) 与深度学习 (DL) 性能。方法：在实验室环境中，从五名执行转向任务的下肢截肢患者身上收集小腿的惯性测量单元 (IMU) 数据。评估了 Multilayer Perceptron (MLP)、Kolmogorov-Arnold Network (KAN)、卷积神经网络 (CNN) 和分数 Kolmogorov-Arnold Networks (FKAN) 对即将到来的转向进行分类的能力。通过比较 MLP 和 KAN（针对 ML 模型）以及 FKAN 和 CNN（针对 DL 模型），评估了可学习激活函数的有效性。模型分别在用户特定数据和汇总数据上进行训练，以评估训练数据对其性能的影响。结果：与 MLP 和 CNN 相比，KAN 和 FKAN 中的可学习激活函数并未产生显著改善。对于 ML 模型，在用户特定数据上训练比在汇总数据上训练产生了更优的结果 ()。相反，对于 DL 模型，在用户特定训练和汇总训练之间未观察到显著差异。意义：这些发现表明，可学习激活函数可能在涉及更复杂任务和更大数据量的数据集中展现出独特优势。此外，在 DL 模型中，汇总训练表现出与用户特定训练相当的性能，表明用于假肢控制的模型训练可以利用来自多名参与者的数据。
引用
@article{arxiv.2505.09366,
title = {Personalized Control for Lower Limb Prosthesis Using Kolmogorov-Arnold Networks},
author = {SeyedMojtaba Mohasel and Alireza Afzal Aghaei and Corey Pew},
journal= {arXiv preprint arXiv:2505.09366},
year = {2025}
}