面向外骨骼性能评估的多源生理能耗预测

TP183; 在外骨骼设计过程中,助力性能评估直接影响整体结构的安全性和效率.针对目前性能评估多采用单一指标问题,提出了一种基于多源生理信号(表面肌电、脉搏和呼吸)的长短期记忆(long short-term memory,LSTM)网络运动能耗预测方法.该方法首先对生理信号进行处理和特征提取,然后使用6层LSTM模型进行预测,并使用K折交叉验证方法进行验证.同时,与决策树(decision tree,DT)和支持向量机(support vector machine,SVM)进行了对比实验.最后,建立了在线能耗监测系统,作为评估外骨骼助力性能的依据.结果表明,三源信号均方根差(root mea...

Full description

Saved in:
Bibliographic Details
Published in东北大学学报（自然科学版） Vol. 45; no. 6; pp. 850 - 857
Main Authors 李坦, 王宏, 金博丕, 吴志伟
Format Journal Article
LanguageChinese
Published 东北大学 机械工程与自动化学院,辽宁 沈阳 110819 15.06.2024
Subjects
energy consumption prediction
长短期记忆
LSTM
外骨骼性能评估
能耗预测
在线监测
signal fusion
信号融合
exoskeleton performance evaluation
online monitoring
Online AccessGet full text
ISSN1005-3026
DOI10.12068/j.issn.1005-3026.2024.06.013

Cover

More Information
Summary:TP183; 在外骨骼设计过程中,助力性能评估直接影响整体结构的安全性和效率.针对目前性能评估多采用单一指标问题,提出了一种基于多源生理信号(表面肌电、脉搏和呼吸)的长短期记忆(long short-term memory,LSTM)网络运动能耗预测方法.该方法首先对生理信号进行处理和特征提取,然后使用6层LSTM模型进行预测,并使用K折交叉验证方法进行验证.同时,与决策树(decision tree,DT)和支持向量机(support vector machine,SVM)进行了对比实验.最后,建立了在线能耗监测系统,作为评估外骨骼助力性能的依据.结果表明,三源信号均方根差(root mean square error,RMSE)为0.073 kJ,证明了采用多源生理信号融合预测的可行性;LSTM的RMSE相较于DT,SVM下降了39.53％,15.68％,测试集的总能耗值误差值为23.98 kJ,说明LSTM模型对于总能耗预测效果最好,可用于外骨骼的助力性能评估.
ISSN:1005-3026
DOI:10.12068/j.issn.1005-3026.2024.06.013