論文の概要: Deep Learning for Human Locomotion Analysis in Lower-Limb Exoskeletons: A Comparative Study

• arxiv url: http://arxiv.org/abs/2503.16904v1
• Date: Fri, 21 Mar 2025 07:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:55:51.966971
• Title: Deep Learning for Human Locomotion Analysis in Lower-Limb Exoskeletons: A Comparative Study
• Title（参考訳）: 下肢外骨格における運動解析のための深層学習 : 比較研究
• Authors: Omar Coser, Christian Tamantini, Matteo Tortora, Leonardo Furia, Rosa Sicilia, Loredana Zollo, Paolo Soda,
• Abstract要約: 本稿では,8つのディープニューラルネットワークのバックボーンによる高レベル移動パラメータの予測実験を行った。 LSTMは高い地形分類精度(0.94 +- 0.04)と正確な傾斜斜面(1.95 +- 0.58deg)、CNN-LSTMは階段の高さ(15.65 +- 7.40 mm)を達成した。 システムは2ミリ秒の推論時間で動作し、リアルタイムアプリケーションをサポートする。
• 参考スコア（独自算出の注目度）: 1.3569491184708433
• License:
• Abstract: Wearable robotics for lower-limb assistance have become a pivotal area of research, aiming to enhance mobility for individuals with physical impairments or augment the performance of able-bodied users. Accurate and adaptive control systems are essential to ensure seamless interaction between the wearer and the robotic device, particularly when navigating diverse and dynamic terrains. Despite the recent advances in neural networks for time series analysis, no attempts have been directed towards the classification of ground conditions, categorized into five classes and subsequently determining the ramp's slope and stair's height. In this respect, this paper presents an experimental comparison between eight deep neural network backbones to predict high-level locomotion parameters across diverse terrains. All the models are trained on the publicly available CAMARGO 2021 dataset. IMU-only data equally or outperformed IMU+EMG inputs, promoting a cost-effective and efficient design. Indeeds, using three IMU sensors, the LSTM achieved high terrain classification accuracy (0.94 +- 0.04) and precise ramp slope (1.95 +- 0.58{\deg}) and the CNN-LSTM a stair height (15.65 +- 7.40 mm) estimations. As a further contribution, SHAP analysis justified sensor reduction without performance loss, ensuring a lightweight setup. The system operates with ~2 ms inference time, supporting real-time applications. The code is code available at https://github.com/cosbidev/Human-Locomotion-Identification.
• Abstract（参考訳）: 下肢支援のためのウェアラブルロボットは、身体障害者の移動性を高めることや、身体障害者のパフォーマンスを高めることを目的として、研究の重要な領域となっている。 精密かつ適応的な制御システムは、特に多様な動的地形をナビゲートする際に、着用者とロボット装置とのシームレスな相互作用を保証するために不可欠である。 時系列解析のためのニューラルネットワークの最近の進歩にもかかわらず、地上条件の分類に向けて試みられず、5つのクラスに分類され、その後ランプの傾斜と階段の高さが決定された。 本稿では, 多様な地形にまたがる高次移動パラメータを予測するため, 8つの深層ニューラルネットワークのバックボーン間の比較実験を行った。 すべてのモデルは、公開されているCAMARGO 2021データセットでトレーニングされている。 IMUのみのデータは、IMU+EMGの入力に等しく、あるいは優れており、費用対効果と効率的な設計を推進した。 実際、3つのIMUセンサーを用いてLSTMは高い地形分類精度 (0.94 +- 0.04) と正確な傾斜斜面 (1.95 +- 0.58{\deg}) を達成し、CNN-LSTMは階段の高さ(15.65 +- 7.40 mm)を推定した。 さらなる貢献として、SHAP分析は、性能損失のないセンサの低減を正当化し、軽量なセットアップを確保した。 システムは ~2 ms の推論時間で動作し、リアルタイムアプリケーションをサポートする。 コードはhttps://github.com/cosbidev/Human-Locomotion-Identificationで公開されている。

関連論文リスト

• Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks [4.146337610044239]
  本研究では,データ効率を重視した音声ソフトロボット(ASR)のための物理インフォームドニューラルネットワーク(PINN)を提案する。 高価な実世界のトレーニングデータの量は、ひとつのシステムドメインに1つのデータセットとして最小限に削減されます。 PINNでは、精度の低いFPモデルの予測速度を最大466倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-04T01:16:33Z)
• Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
  足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。 本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。 その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T10:51:40Z)
• Comparison of gait phase detection using traditional machine learning and deep learning techniques [3.11526333124308]
  本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。 その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
  論文  参考訳（メタデータ） (2024-03-07T10:05:09Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• Neural Moving Horizon Estimation for Robust Flight Control [6.023276947115864]
  外乱の予測と反応は、四角形機の堅牢な飛行制御に不可欠である。 ニューラルネットワークによってモデル化されたMHEパラメータを自動的に調整できるニューロ移動地平線推定器(NeuroMHE)を提案する。 NeuroMHEは出力推定誤差を最大49.4%削減した最先端の推定器より優れている。
  論文  参考訳（メタデータ） (2022-06-21T13:43:24Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• Deep learning-based classification of fine hand movements from low frequency EEG [5.414308305392762]
  脳波信号から異なる手の動きの分類は、関連する研究課題である。 我々は新たに提案された畳み込みニューラルネットワーク(CNN)を訓練し、テストした。 CNNは両方のデータセットで優れたパフォーマンスを達成し、ベースラインモデルと似ているか優れている。
  論文  参考訳（メタデータ） (2020-11-13T07:16:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。