基于sEMG多维特征学习预测连续运动模式
机器人学
2023-11-14 v1 人工智能
摘要
助行设备需要自适应控制方法以确保不同运动模式间的平滑过渡。为此，提前检测人体运动模式（如平地行走或上楼梯）对于提升此类机器人系统的智能化与透明性至关重要。本研究提出Deep-STF，一种统一的端到端深度学习模型，旨在从表面肌电信号（sEMG）中进行空间、时间与频率维度的集成特征提取。我们的模型能够在100至500 ms的不同预测时间间隔下，对九种运动模式与15种过渡进行准确且鲁棒的连续预测。此外，我们引入“稳定预测时间”这一概念作为量化预测效率的独有指标。该术语指从第五次正确预测时刻到导致任务过渡的关键事件发生时，持续做出一致且准确模式过渡预测的时长。稳定预测时间与预测时间的区分至关重要，因其凸显了我们对模式过渡预测精度与可靠性的关注。实验结果表明，仅依赖sEMG数据，Deep-STF在多样运动模式与过渡上展现出前沿预测性能。在提前100 ms预测时，Deep-STF超越CNN与其他机器学习技术，取得96.48%的卓越平均预测准确率。即便在延长至500 ms预测视界时，准确率仅微降至93.00%。针对检测下一即将发生过渡的平均稳定预测时间，在100–500 ms时间提前量下跨度为28.15至372.21 ms。
引用
@article{arxiv.2311.07395,
title = {Predicting Continuous Locomotion Modes via Multidimensional Feature Learning from sEMG},
author = {Peiwen Fu and Wenjuan Zhong and Yuyang Zhang and Wenxuan Xiong and Yuzhou Lin and Yanlong Tai and Lin Meng and Mingming Zhang},
journal= {arXiv preprint arXiv:2311.07395},
year = {2023}
}
备注
10 pages,7 figures