基于注意力CNN-LSTM网络的基于EMG和运动学数据的实时膝关节角度预测及跨数据集迁移学习
机器人学
2025-10-28 v2
摘要
电生理信号（EMG）广泛用于通过机器学习和深度学习方法预测身体关节角度。然而，这些方法常面临现实应用性有限、测试条件不具代表性以及需大量数据才能获得最佳性能等挑战。本文提出一种基于迁移学习的膝关节角度预测框架，该框架仅需来自新受试者的少数步态周期。利用包含四个与膝关节运动相关的EMG通道的三个数据集进行实验：乔治亚理工学院、加州大学欧文分校（UCI）以及沙里夫机械实验室外骨骼系统（SMLE）。开发了一种轻量级注意力机制CNN-LSTM模型，并在乔治亚理工数据集上进行预训练，然后迁移至UCI和SMLE数据集。该模型仅使用EMG输入对异常受试者的单步和50步预测，分别实现归一化平均绝对误差（NMAE）为6.8%和13.7%。 incorporating历史膝关节角度后，正常受试者的NMAE分别降至3.1%和3.5%，异常受试者为2.8%和7.5%。进一步适配SMLE外骨骼系统，融合EMG、运动学及互动力量输入，模型对单步和50步预测的NMAE分别为1.09%和3.1%。这些结果表明该方法在短期和长期康复场景中表现出色且具很强的泛化能力。
关键词
引用
@article{arxiv.2510.13443,
title = {Real-Time Knee Angle Prediction Using EMG and Kinematic Data with an Attention-Based CNN-LSTM Network and Transfer Learning Across Multiple Datasets},
author = {Mojtaba Mollahossein and Gholamreza Vossoughi and Mohammad Hossein Rohban},
journal= {arXiv preprint arXiv:2510.13443},
year = {2025}
}