深度學習於機械義肢的應用
現有的機械腿義肢使用了有限狀態機(finite state machine,FSM)處理各種步態模式,達到運動模式取向的目的,但是如果想要貼近不同使用者的使用習慣,則需要透過手動調整大量參數,比較不方便且效果有限。因此研究團隊想應用深度學習的方法改善上述困境,讓機械義肢可以根據使用者的習慣自動調整,同時也不影響在各種運動模式的表現。
團隊以Temporal Convolutional Network (TCN,時間卷積網路)作為深度學習的方法,這是一種時序性的卷積網路,能從過去一段時間的資料預測未來的模式。其結合了只受當下和過去資料影響的「因果卷積(causal network)」和使卷積資料的時間間隔逐層擴大的「擴張卷積(dilated network)」,相較於其他時序性神經網路,TCN能保存較多的歷史資訊,讓模型預測時有較多資料可以參考。圖為用於機械義肢的TCN模型架構。見圖(一)和圖(二)。
圖(一) 原始TCN架構 (來源:https://arxiv.org/pdf/1803.01271.pdf) |
圖(二) 本研究使用的TCN深度學習架構 (來源:https://ieeexplore.ieee.org/document/9687847) |
在訓練模型前,團隊從義肢上的感測器收集了五種運動模式的資訊:平地、上/下坡、上/下樓梯。訓練模型時分成兩種資料集:一種只使用單一模式(machine-dependent),另一種使用全部模式混合(machine-independent)。藉由均方根誤差(RMSE)評估模型的準確度,個個訓練模型的RMSE互相比較,相對低者代表模型表現較接近真實情況。
首先,比較兩種資料集訓練出的模型表現差異。圖(三)顯示,全模式訓練之模型的表現比較好,這也間接表示了該模型在面對未知的運動模式下會有較好的適應力。接著測試兩種模型於不同步行速度和坡度的適應性,資料及是從FSM輔助的機械義肢上取得。在圖(四)可以看到,全模式(模式獨立)的模型預測表現較佳。最後測試以原有的感測器和以新增的感測器收集到的資料對於模型表現有無影響,圖(五)結果顯示兩者的表現差不多,也就是說只要少量必要的感測器即可有良好的預測能力,也能讓機械義肢更加輕便。
圖(三) 兩種資料集訓練的模型表現比較 |
圖(四) 兩種模型於不同行走速度和不同坡度的適應性表現 |
圖(五) 原有的感測器(baseline)和新增感測器(其餘四欄)的表現 |
藉由本研究可知,深度學習方法TCN可以代替設定較繁複的FSM,降低設計及製造成本,對於智慧機械義肢的普及有更高的可能性。
撰文:楊采綾
Reference: C. P. O. Nuesslein and A. J. Young, "A Deep Learning Framework for End-to-End Control of Powered Prostheses," in IEEE Robotics and Automation Letters, vol. 9, no. 5, pp. 3988-3994, May 2024, doi: 10.1109/LRA.2024.3374189.
留言
張貼留言