A Cost-effective, Stand-alone, and Real-time TinyML-Based Gait Diagnosis Unit Aimed at Lower-limb Robotic Prostheses and Exoskeletons

要約

ロボットの義肢や外骨格は、ロボット以外のロボットと比べて驚異的な効果を発揮します。
しかし、患者の 10 人に 1 人が通常の医療用プロテーゼを利用できるというコスト高騰の世界では、残念なことに、特に高価であるため、先進的なプロテーゼへのアクセスは非常に限られており、そのかなりの部分は診断と診断によって左右されます。
制御ユニット。
ただし、コスト削減の場合、コストとパフォーマンスのトレードオフによりパフォーマンスも差し引かれることがわかっているため、このようなデバイスの開発では、手頃な価格は大きな懸念事項ではないことがよくあります。
このような状況の深刻さを考慮し、本研究の目標は、ロボット義足や外骨格を対象とした、手頃な価格のウェアラブルリアルタイム歩行診断ユニット（GDU）を提案することでした。
概念実証として、TinyML を利用して 2 つの量子化 int8 モデルを ESP32 NodeMCU 開発ボード (7.30 USD) で並列実行し、5 つの歩行シナリオ (アイドル、歩行、走行、ホッピング、スキップ) を効果的に分類する GDU プロトタイプも開発しました。
）、接続された 2 つの IMU から受信した加速度データに基づいて異常スコアを生成します。
開発されたウェアラブル歩行診断スタンドアロン ユニットは、あらゆる義足や外骨格に取り付けることができ、全体の精度 92% で歩行シナリオを効果的に分類し、わずか 3 秒間の実際の歩行データで異常スコアを 95 ～ 96 ミリ秒以内に提供できます。
時間。

要約(オリジナル)

Robotic prostheses and exoskeletons can do wonders compared to their non-robotic counterpart. However, in a cost-soaring world where 1 in every 10 patients has access to normal medical prostheses, access to advanced ones is, unfortunately, extremely limited especially due to their high cost, a significant portion of which is contributed to by the diagnosis and controlling units. However, affordability is often not a major concern for developing such devices as with cost reduction, performance is also found to be deducted due to the cost vs. performance trade-off. Considering the gravity of such circumstances, the goal of this research was to propose an affordable wearable real-time gait diagnosis unit (GDU) aimed at robotic prostheses and exoskeletons. As a proof of concept, it has also developed the GDU prototype which leveraged TinyML to run two parallel quantized int8 models into an ESP32 NodeMCU development board (7.30 USD) to effectively classify five gait scenarios (idle, walk, run, hopping, and skip) and generate an anomaly score based on acceleration data received from two attached IMUs. The developed wearable gait diagnosis stand-alone unit could be fitted to any prosthesis or exoskeleton and could effectively classify the gait scenarios with an overall accuracy of 92% and provide anomaly scores within 95-96 ms with only 3 seconds of gait data in real-time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google