科研

小数据条件下的可穿戴机器人意图个性化

这项工作提出了一套迁移学习流程,用于在新用户数据有限的情况下,将预训练的 CNN / FCN 意图识别模型适配到新的可穿戴机器人用户。换句话说:不需要为每个新用户重新采集大量数据,而是从已有用户模型出发,用较少的新用户数据完成微调。

IEEE RA-L 2024 迁移学习 意图预测 小数据个性化 可穿戴机器人
用于行走意图预测的迁移学习框架(RA-L 2024)
深度 CNN 迁移学习示意图,展示源运动数据集、迁移的特征层、新的经股截肢者运动数据集,以及最终运动模式输出。 Adapted from Le et al., IEEE RA-L 2024. © 2024 IEEE.
问题与贡献

个性化是可穿戴机器人意图识别落地中的主要障碍之一;迁移学习可以降低新用户数据负担,同时保持意图预测性能。

我的角色

我和同事们开发了基于 CNN / FCN 的迁移学习策略,用于在数据有限的情况下将意图识别模型适配到新的假肢用户。

挑战

意图模型通常需要大量单用户数据,对新假肢用户并不现实。

贡献

利用迁移学习在新用户数据有限时适配活动识别模型。

本研究于密歇根大学 LocoLab 开展,导师为 Robert D. Gregg 教授。

迁移学习流程
  1. 1 源用户数据 汇集已有用户的活动数据。
  2. 2 预训练模型 在源用户群体上训练基础意图模型。
  3. 3 小样本自适应 仅用少量数据即可适配到新用户。
佐证
小数据个性化
数据效率
优于从零训练
准确率
实用的可穿戴传感
落地
小数据行走意图预测的迁移学习机制(RA-L 2024)
数据处理流程图展示运动数据采集、传感器选择,以及用于意图识别训练的滑动窗口标注。 Adapted from Le et al., IEEE RA-L 2024. © 2024 IEEE.
可穿戴机器人意图预测的训练与微调流程(RA-L 2024)
CNN 迁移学习结构图展示迁移特征层、额外的 load-cell 输入分支、全局池化、softmax,以及最终运动模式预测。 Adapted from Le et al., IEEE RA-L 2024. © 2024 IEEE.

技术栈

深度学习(CNN / FCN) 迁移学习 / Fine-Tuning 时序窗口建模 可穿戴传感 模型评估与消融实验 面向部署的系统设计
更多相关工作
查看全部项目 →