基于深度学习的下肢康复外骨骼步态轨迹预测

下肢康复外骨骼广泛应用于下肢训练。准确的步态预测对下肢康复外骨骼的功能起着至关重要的作用。然而,目前步态预测的研究在精准度和实时性上仍存在一定的挑战,尤其是在处理个体差异和复杂步态模式时。本研究的目标是实现高精度的步态运动预测,以提升下肢康复外骨骼的功能性。本文探讨了使用长短期记忆网络(LSTM)和卷积神经网络-长短期记忆网络(CNN-LSTM)两种深度学习算法,通过足底压力数据预测个体步态轨迹的方法。在研究中,8名健康受试者穿戴下肢康复外骨骼,该下肢康复外骨骼配备有足底压力鞋垫,实时采集足底压力数据。模型性能通过留一法交叉验证进行比较,结果表明CNN-LSTM模型在预测精度和响应速度方面均优于LSTM模型。实验结果验证了使用足底压力数据通过深度学习算法进行步态预测的有效性和准确性,进一步提升了康复外骨骼的实用性。本研究对于进一步推动下肢康复外骨骼的发展以及针对病人的个性化步态生成具有重要意义。

基于增强现实的人体运动中穿戴设备动态监控系统

对基于增强现实的人体运动中穿戴设备动态监控系统进行了研究,以篮球训练为例,提出了一种可穿戴设备动态监控系统,并设计了一种基于LSTM和注意力机制的步态轨迹预测模型,对运动员下肢的髋关节、膝关节和踝关节的角度进行实时在线分析,并获取运动员的步态轨迹预测结果。首先,对传统LSTM网络结构进行了研究与分析,然后搭建了基于LSTM和注意力机制的步态轨迹预测模型,随后对动态监控系统的整体框架进行了简单设计,最后对预测模型进行实验测试。测试结果表明:设计的基于LSTM和注意力机制预测模型的RMSE和MAE值明显低于基于传统LSTM预测模型,具有有效性,能够对运动员髋关节和踝关节的角度进行精准预测;基于LSTM和注意力机制的步态轨迹预测模型给出的轨迹预测结果,不论是从整体上看还是从细节上看,都与实际数据贴合地更好,几乎与真实的步态轨迹相重合,表明该模型的性能更好,更适用于设计可穿戴设备动态监控系统。