基于双任务学习框架的侧向行走步态识别与髋关节角度预测

侧向行走锻炼有利于增强髋外展肌。精准的步态识别和连续的髋关节角度预测对于外骨骼控制至关重要。我们提出了一种双任务学习框架——“Twin Brother”模型，该模型融合了卷积神经网络（CNN）、长短期记忆网络（LSTM）、神经网络（NNs）以及挤压诱发注意力机制，通过肌电图（EMG）信号对侧向步态阶段进行分类并估计髋关节角度。研究采集了10名受试者在侧向行走过程中6块肌肉的EMG信号。识别了4个步态时相，并对双腿的髋关节角度进行了连续估计。根据实时系统对响应时间和识别精度的要求，确定滑动窗口长度为250 ms，滑动增量为3 ms。我们对比了CNN-LSTM、CNN、LSTM、支持向量机、NN、K近邻以及“Twin Brother”模型的性能。“Twin Brother”模型的识别准确率（mean ± SD）达到了98.81% ± 0.14%。该模型对左侧和右侧髋关节角度预测的均方根误差（RMSE）分别为0.9183° ± 0.024°和1.0511° ± 0.027°，R 2 分别为0.9853 ± 0.006和0.9808 ± 0.008。识别和估计的精度均优于对比模型。对于步态时相百分比预测，该模型预测的RMSE和R 2分别可达0.152° ± 0.014°和0.986 ± 0.011。这些结果表明，该方法可应用于侧向行走步态识别和髋关节角度预测。