AJaP：一种用于辅助行走中髋关节角度预测的自适应网络，具备持续学习能力

《IEEE Transactions on Cognitive and Developmental Systems》：AJaP: An Adaptive Network for Hip Joint Angle Prediction in Assistive Walking With Continual Learning

外骨骼机器人通过电机编码器实现多地形下步态髋关节角度预测，提出基于持续学习的自适应优化策略（AJaP），在平面、斜坡和楼梯场景下预测误差（MAE）分别为1.6132±0.2450°、2.1850±0.8219°、3.2091±1.1393°，较传统模型提升59.76%-64.77%。采用多尺度多跨度采样（MSS-sampling）捕捉关节时序特征，解决传感器漂移与用户差异问题。

　　

摘要：

预测人类行走过程中下肢关节的角度对于提升辅助可穿戴机器人的控制性能至关重要。现有研究通常使用表面肌电图（sEMG）来进行关节角度预测。然而，这种传感器容易受到测量条件（如皮肤环境和装配位置）的影响，并且需要对测量信号进行复杂的预处理。本文提出了一种仅利用外骨骼机器人的电机编码器来预测未来髋关节角度的方法。引入了一种关节角度预测器（JaP），该预测器通过多尺度多跨度采样（MSS-sampling）对关节角度时间序列进行采集，以捕捉全面的信息。此外，为了解决用户差异、传感器数据漂移以及实际应用中的地形变化等问题，采用了一种基于持续学习（CL）的自适应策略来提高JaP的预测精度，这种改进后的版本被称为自适应JaP（AJaP）。在50毫秒、100毫秒和200毫秒的时间范围内进行离线关节角度预测时，所提出的JaP分别实现了平均绝对误差（MAE）为0.7846±0.0859°、1.5752±0.0666°和2.5887°。在外骨骼辅助行走实验中，AJaP在平坦地面、斜坡和楼梯上100毫秒时间内的关节角度预测MAE分别为1.6132±0.2450°、2.1850°和3.2091°。通过自适应优化，AJaP的预测精度相比直接使用JaP分别提高了59.76%、60.21%和64.77%。

引言

下肢外骨骼在许多应用中取得了成功，例如增强人类行走耐力、提高承重能力以及帮助患者康复[1]、[2]、[3]。为了为佩戴者提供更好的辅助，外骨骼应具备人机交互能力，包括识别人体运动状态、测量交互扭矩以及识别生物信号[4]。