Beyond Gait: Learning Knee Angle for Seamless Prosthesis Control in Multiple Scenarios

要約

深層学習モデルは、さまざまな歩行段階や運動モードに適応できるため、下肢義足の膝角度推定における強力なツールとなっています。
現在の手法では、多層パーセプトロン (MLP)、長期短期記憶ネットワーク (LSTM)、および畳み込みニューラル ネットワーク (CNN) が利用されており、主に大腿部からの動作情報が分析されています。
これらのアプローチとは対照的に、私たちの研究では、全身の動きを入力として統合することにより、全体的な視点を導入しています。
私たちは、角度推定確率モデル (AEPM) と呼ばれる、変圧器ベースの確率的フレームワークを提案します。これは、歩行を超えた広範なシナリオにわたって正確な角度推定を提供します。
AEPM は全体的な RMSE 6.70 度を達成し、歩行シナリオでは RMSE 3.45 度を実現します。
最新技術と比較して、AEPM は歩行の予測精度を 11.31% 向上させました。
私たちの方法は、異なる移動モード間のシームレスな適応を達成できます。
また、このモデルは膝と他の関節の間の相乗効果を解析するために利用できます。
私たちは、全身の動きに膝の動きに関する貴重な情報が含まれていることを明らかにし、それが義足用センサーの設計への洞察を提供します。
コードは https://github.com/penway/Beyond-Gait-AEPM で入手できます。

要約(オリジナル)

Deep learning models have become a powerful tool in knee angle estimation for lower limb prostheses, owing to their adaptability across various gait phases and locomotion modes. Current methods utilize Multi-Layer Perceptrons (MLP), Long-Short Term Memory Networks (LSTM), and Convolutional Neural Networks (CNN), predominantly analyzing motion information from the thigh. Contrary to these approaches, our study introduces a holistic perspective by integrating whole-body movements as inputs. We propose a transformer-based probabilistic framework, termed the Angle Estimation Probabilistic Model (AEPM), that offers precise angle estimations across extensive scenarios beyond walking. AEPM achieves an overall RMSE of 6.70 degrees, with an RMSE of 3.45 degrees in walking scenarios. Compared to the state of the art, AEPM has improved the prediction accuracy for walking by 11.31%. Our method can achieve seamless adaptation between different locomotion modes. Also, this model can be utilized to analyze the synergy between the knee and other joints. We reveal that the whole body movement has valuable information for knee movement, which can provide insights into designing sensors for prostheses. The code is available at https://github.com/penway/Beyond-Gait-AEPM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google