我的角色
我开发了基于 ICF 的可解释意图识别方法，并将其扩展到双侧感知和连续自适应。
科研
面向可穿戴机器人的可解释意图识别
一种基于瞬时特征（ICF）的实时意图识别方法，从大腿运动学中提取具有生物力学意义的特征，用于步行、楼梯、坡道和运动转换，并扩展到双侧感知与连续自适应。
IEEE T-RO 2025
可解释机器学习
意图识别
ICF
可穿戴机器人
双侧活动识别在户外多活动场景中的循环演示。
问题与贡献
意图识别决定可穿戴机器人什么时候改变行为；让它快速、可解释、可自适应，才能让整个控制系统更可信。
挑战
假肢的意图识别往往是黑箱模型，在不同用户与活动间泛化性差。
贡献
基于生物力学运动特征的 ICF 实时活动识别方法，用于步行、楼梯、坡道和运动转换。
本研究于密歇根大学 LocoLab 开展，导师为 Robert D. Gregg 教授。
信号处理流程
- 1 大腿运动学 机载运动传感实时输出肢体状态。
- 2 ICF 特征 以具生物力学意义的特征取代黑箱嵌入。
- 3 实时分类器 在 5 毫秒内识别活动与转换。
- 4 双侧自适应 双腿信息驱动持续的、按用户的自适应。
佐证
双侧转换识别准确率 99.2%
识别
推理 <5 ms
实时
户外多活动演示
落地
图示
技术栈
实时分类
可解释机器学习 / 特征设计
步态相位 / 生物力学
转换逻辑
嵌入式友好算法
传感器融合
更多相关工作
查看全部项目 →
相关知识产权
相关专利申请 / 备案：Powered Prosthesis and Activity Classifier，美国临时专利申请 63/715,397 / 国际专利申请 PCT/US2025/053837。