Predicting Continuous Locomotion Modes via Multidimensional Feature Learning from sEMG

📄 arXiv: 2311.07395v1 📥 PDF

作者: Peiwen Fu, Wenjuan Zhong, Yuyang Zhang, Wenxuan Xiong, Yuzhou Lin, Yanlong Tai, Lin Meng, Mingming Zhang

分类: cs.RO, cs.AI

发布日期: 2023-11-13

备注: 10 pages,7 figures

💡 一句话要点

提出Deep-STF以解决步态模式预测问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 步态模式预测 深度学习 肌电图 运动过渡 自适应控制 机器人技术 实时预测

📋 核心要点

  1. 现有步态模式预测方法在准确性和实时性方面存在不足，难以满足步态辅助设备的需求。
  2. 本研究提出Deep-STF模型，通过深度学习实现对sEMG信号的多维特征提取，以提高运动模式预测的准确性和稳定性。
  3. 实验结果显示，Deep-STF在100毫秒和500毫秒的预测中，准确率分别达到96.48%和93.00%，显著优于传统CNN和其他机器学习方法。

📝 摘要（中文）

步态辅助设备需要自适应控制方法，以确保在各种运动模式之间平滑过渡。提前检测人类运动模式（如平地行走或楼梯上升）对于提高这些机器人系统的智能性和透明度至关重要。本研究提出了Deep-STF，这是一种统一的端到端深度学习模型，旨在从表面肌电图（sEMG）信号中进行空间、时间和频率维度的集成特征提取。我们的模型能够准确、稳健地连续预测九种运动模式和15种过渡，预测时间间隔从100毫秒到500毫秒不等。此外，我们引入了“稳定预测时间”的概念，以量化预测效率。实验结果表明，Deep-STF在多种运动模式和过渡中的预测性能处于领先地位，仅依赖sEMG数据。在100毫秒的预测中，Deep-STF的平均预测准确率达到96.48%，即使在延长至500毫秒的预测范围内，准确率也仅轻微下降至93.00%。

🔬 方法详解

问题定义：本研究旨在解决步态辅助设备在运动模式预测中的准确性和实时性问题。现有方法往往无法有效处理sEMG信号的多维特征，导致预测性能不足。

核心思路：论文提出的Deep-STF模型通过端到端的深度学习框架，集成了空间、时间和频率维度的特征提取，旨在提高对运动模式和过渡的预测能力。

技术框架：Deep-STF模型包括多个主要模块，首先对sEMG信号进行预处理，然后通过深度神经网络进行特征提取，最后实现运动模式的预测与过渡检测。

关键创新：本研究的关键创新在于引入“稳定预测时间”这一新指标，强调了预测的准确性和可靠性，区别于传统的预测时间概念。

关键设计：模型采用了特定的损失函数以优化预测精度，并在网络结构上进行了调整，以适应sEMG信号的特性，确保在不同预测时间间隔内保持高准确率。

📊 实验亮点

实验结果表明，Deep-STF在100毫秒的预测中实现了96.48%的平均准确率，优于传统CNN和其他机器学习方法。在500毫秒的预测中，准确率仅轻微下降至93.00%。稳定预测时间的平均值在28.15至372.21毫秒之间，显示出模型的高效性。

🎯 应用场景

该研究的潜在应用领域包括步态辅助设备、康复机器人和智能穿戴设备等。通过提高运动模式预测的准确性和实时性，能够显著提升用户体验和设备的智能化水平，未来可能在医疗和运动领域产生深远影响。

📄 摘要（原文）

Walking-assistive devices require adaptive control methods to ensure smooth transitions between various modes of locomotion. For this purpose, detecting human locomotion modes (e.g., level walking or stair ascent) in advance is crucial for improving the intelligence and transparency of such robotic systems. This study proposes Deep-STF, a unified end-to-end deep learning model designed for integrated feature extraction in spatial, temporal, and frequency dimensions from surface electromyography (sEMG) signals. Our model enables accurate and robust continuous prediction of nine locomotion modes and 15 transitions at varying prediction time intervals, ranging from 100 to 500 ms. In addition, we introduced the concept of 'stable prediction time' as a distinct metric to quantify prediction efficiency. This term refers to the duration during which consistent and accurate predictions of mode transitions are made, measured from the time of the fifth correct prediction to the occurrence of the critical event leading to the task transition. This distinction between stable prediction time and prediction time is vital as it underscores our focus on the precision and reliability of mode transition predictions. Experimental results showcased Deep-STP's cutting-edge prediction performance across diverse locomotion modes and transitions, relying solely on sEMG data. When forecasting 100 ms ahead, Deep-STF surpassed CNN and other machine learning techniques, achieving an outstanding average prediction accuracy of 96.48%. Even with an extended 500 ms prediction horizon, accuracy only marginally decreased to 93.00%. The averaged stable prediction times for detecting next upcoming transitions spanned from 28.15 to 372.21 ms across the 100-500 ms time advances.