Deep Learning for Human Locomotion Analysis in Lower-Limb Exoskeletons: A Comparative Study

📄 arXiv: 2503.16904v1 📥 PDF

作者: Omar Coser, Christian Tamantini, Matteo Tortora, Leonardo Furia, Rosa Sicilia, Loredana Zollo, Paolo Soda

分类: cs.RO, cs.AI

发布日期: 2025-03-21

备注: 26 pages, 6 figures

期刊: Front. Comput. Sci., 7:1597143 (2025)

DOI: 10.3389/fcomp.2025.1597143

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于深度学习的下肢外骨骼步态分析方法，用于地形识别与参数估计。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 下肢外骨骼 步态分析 深度学习 地形识别 IMU LSTM CNN-LSTM SHAP分析

📋 核心要点

  1. 现有方法难以准确分类复杂地形，并精确估计坡道坡度和楼梯高度，限制了下肢外骨骼的自适应控制。
  2. 利用深度学习模型，仅通过IMU数据即可实现对地形的准确分类和参数估计，降低了系统复杂度和成本。
  3. 实验表明，LSTM和CNN-LSTM模型在地形分类、坡道坡度估计和楼梯高度估计方面表现出色，且推理速度快。

📝 摘要（中文）

下肢辅助可穿戴机器人已成为一个重要的研究领域，旨在增强身体障碍人士的行动能力或提升健全用户的表现。精确和自适应的控制系统对于确保穿戴者与机器人设备之间的无缝交互至关重要，尤其是在导航各种动态地形时。尽管时间序列分析的神经网络取得了最新进展，但尚未有人尝试对地面状况进行分类（分为五类），并随后确定坡道的坡度和楼梯的高度。为此，本文对八种深度神经网络骨干网络进行了实验比较，以预测不同地形下的高级步态参数。所有模型都在公开的CAMARGO 2021数据集上进行训练。仅使用IMU数据与IMU+EMG输入相比，性能相当或更好，从而促进了经济高效的设计。事实上，使用三个IMU传感器，LSTM实现了较高的地形分类精度（0.94 +- 0.04），并精确估计了坡道坡度（1.95 +- 0.58°）和CNN-LSTM估计了楼梯高度（15.65 +- 7.40 mm）。此外，SHAP分析证明了在不损失性能的情况下减少传感器数量是可行的，从而确保了轻量化设置。该系统以约2毫秒的推理时间运行，支持实时应用。代码可在https://github.com/cosbidev/Human-Locomotion-Identification 获取。

🔬 方法详解

问题定义：论文旨在解决下肢外骨骼在复杂地形中运动时，如何准确识别地形类型并估计地形参数（如坡道坡度、楼梯高度）的问题。现有方法通常依赖于多种传感器（如IMU和EMG），成本较高且数据处理复杂。此外，现有方法在地形分类和参数估计的精度方面仍有提升空间。

核心思路：论文的核心思路是利用深度学习模型，直接从IMU传感器数据中学习地形特征，从而实现地形分类和参数估计。通过比较不同的深度学习模型，找到最适合该任务的模型结构。同时，利用SHAP分析来优化传感器配置，减少传感器数量，降低系统成本和复杂度。

技术框架：整体框架包括数据采集、数据预处理、模型训练和模型评估四个主要阶段。首先，从CAMARGO 2021数据集获取IMU数据。然后，对数据进行预处理，包括数据清洗、归一化等。接着，使用不同的深度学习模型（如LSTM、CNN-LSTM等）进行训练。最后，使用测试集评估模型的性能，并利用SHAP分析进行传感器优化。

关键创新：该论文的关键创新在于：1) 证明了仅使用IMU数据即可实现高精度的地形分类和参数估计，降低了系统成本和复杂度；2) 通过比较不同的深度学习模型，找到了最适合该任务的模型结构；3) 利用SHAP分析优化了传感器配置，进一步降低了系统成本和复杂度。

关键设计：论文中使用了多种深度学习模型，包括LSTM、CNN-LSTM等。对于LSTM模型，使用了多层LSTM结构，并调整了LSTM单元的数量。对于CNN-LSTM模型，使用了卷积层提取局部特征，然后使用LSTM层提取时序特征。损失函数使用了交叉熵损失函数（用于地形分类）和均方误差损失函数（用于参数估计）。使用了Adam优化器进行模型训练。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，仅使用三个IMU传感器，LSTM模型实现了0.94 +- 0.04的地形分类精度，坡道坡度估计误差为1.95 +- 0.58°，CNN-LSTM模型楼梯高度估计误差为15.65 +- 7.40 mm。SHAP分析表明，可以在不损失性能的情况下减少传感器数量，进一步降低系统成本。系统推理时间约为2ms，满足实时应用需求。

🎯 应用场景

该研究成果可应用于下肢外骨骼的自适应控制系统，提高外骨骼在复杂地形中的运动性能和安全性。此外，该方法还可应用于其他可穿戴设备，如智能假肢、运动辅助设备等，为残疾人和老年人提供更好的辅助功能。未来，该技术有望在康复医疗、军事、工业等领域发挥重要作用。

📄 摘要（原文）

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°) 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.