FocalGatedNet: A Novel Deep Learning Model for Accurate Knee Joint Angle Prediction

要約

膝関節の角度を正確に予測することは、生体力学的分析とリハビリテーションにとって重要です。
このペーパーでは、機能の依存関係と相互作用を強化するために、ダイナミック コンテキスト フォーカス (DCF) アテンションとゲート線形ユニット (GLU) を組み込んだ FocalGatedNet と呼ばれる新しい深層学習モデルを紹介します。
私たちが提案したモデルは大規模なデータセットで評価され、マルチステップ歩行軌道予測において Transformer、Autoformer、Informer、NLinear、DLinear、LSTM などの既存のモデルと比較されます。
私たちの結果は、FocalGatedNet が長期予測長 (60 ミリ秒、80 ミリ秒、100 ミリ秒) に関して他の最先端のモデルを上回っており、MAE で 13.66%、RMSE で 8.13% の平均改善を達成していることを示しています。
2 番目にパフォーマンスの高いモデル (Transformer)。
さらに、私たちのモデルは、ほとんどの同等の深層学習モデルよりも計算負荷が低くなります。
これらの結果は、膝関節角度予測に対する私たちの提案したモデルの有効性と、この特定の用途に対する私たちの修正の重要性を強調しています。

要約(オリジナル)

Predicting knee joint angles accurately is critical for biomechanical analysis and rehabilitation. This paper introduces a new deep learning model called FocalGatedNet that incorporates Dynamic Contextual Focus (DCF) Attention and Gated Linear Units (GLU) to enhance feature dependencies and interactions. Our proposed model is evaluated on a large-scale dataset and compared to existing models such as Transformer, Autoformer, Informer, NLinear, DLinear, and LSTM in multi-step gait trajectory prediction. Our results demonstrate that FocalGatedNet outperforms other state-of-the-art models for long-term prediction lengths (60 ms, 80 ms, and 100 ms), achieving an average improvement of 13.66% in MAE and 8.13% in RMSE compared to the second-best performing model (Transformer). Furthermore, our model has a lower computational load than most equivalent deep learning models. These results highlight the effectiveness of our proposed model for knee joint angle prediction and the importance of our modifications for this specific application.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google