基于卷积注意力机制和小样本惯性传感单元数据的下肢肌肉活动计算方法

目的肌肉活动通常可以通过肌电图直接测量或肌骨模型计算得到。然而,该类方法对于非技术用户或在非实验室场景下使用较为不便。基于惯性传感单元数据的深度学习模型为肌肉活动计算提供了更为简单易用的解决方案。然而大规模训练数据的获取困难限制了深度学习模型的计算效能。本研究旨在构建基于小样本惯性传感单元数据的新型深度学习模型,计算步态过程中的下肢肌肉活动。为了进一步提升所构建深度学习模型的估计精度,本研究开发了一种基于模型的新型数据扩充方法。方法基于7名受试者的小样本数据集,构建了两阶段下肢肌肉活动的计算方法。基于时间卷积网络构建了Muscle GAN模型,用于数据扩充。此外,基于卷积注意力机制构建了混合深度学习模型,用于步态过程中的下肢肌肉活动计算。结果多种步速下,所提出的两阶段下肢肌肉活动计算结果和肌电测量数据之间具有高相关性。下肢肌肉活动的平均皮尔逊相关系数和归一化均方根误差分别为0.72和0.13。与原始数据集相比,基于Muscle GAN的扩充数据集有效提升了下肢肌肉活动的计算精度。结论基于惯性传感单元的小样本数据集,本研究所提出的两阶段下肢肌肉活动计算方法能准确计算下肢肌电包络,可为多场景下肢肌肉活动的精确计算提供新思路。