人体行走是一种复杂的活动，精确检测步态阶段对于控制下肢辅助装置如外骨骼和假肢至关重要。本研究提出了几种基于下肢肌电数据的机器学习模型，其中包括高斯朴素贝叶斯、决策树、随机森林、线性判别分析以及深度卷积神经网络。传统机器学习模型通过手工特征或使用主成分分析对其降维处理，而深度卷积神经网络模型则利用卷积层从原始数据中提取特征。结果显示传统机器学习模型的平均准确率为 75%，深度学习模型的准确率为 79%。在训练的深度学习模型中，经过 50 次试验，最高准确率达到 89.5%。

Mar, 2024

本文提出了一种新颖的物理知识驱动的低样本学习方法，将拉格朗日运动方程和反动力学肌肉模型无缝集成到生成对抗网络 (GAN) 框架中，用于动态肌肉力学分析。

Jul, 2023

通过 Deep-STF 模型，利用表面肌电信号进行集成特征提取，能够准确和稳健地预测不同运动模式和转换，具有出色的预测性能和稳定预测时间。

Nov, 2023

该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

Sep, 2023

采用物理信息引导神经网络（PINN）模型，结合肌电信号从多种负载条件下记录的肌肉周围关节来预测多关节运动动力学；训练过程中采用自定义损失函数和均方角度损失，结果显示了 58% 至 83% 的关节角度预测强相关性，显示了将物理原理纳入模型的潜力以增强其准确性，对于动态场景中多关节运动学的精确估计以及人机接口（HMIs）的进一步发展具有重要意义。

Nov, 2023

基于摄像头运动捕捉和可穿戴传感器数据，我们提出了一种新型的仿生义肢应用模型，它可以学习人类行走时下肢的协同耦合，推断缺失的下肢在爬坡和上楼等不同任务中的运动行为，并具备多任务、持续适应、预测运动和修正的能力。经过实验证实，我们的模型在包括跖骨切断者在内的真实世界人体步态数据集上始终优于基准模型，在受分布偏移、对抗扰动和噪音等影响的情况下表现出色。

May, 2024

本研究旨在通过应用监督式学习阶段来提高机器人安装的 3D 摄像头在人步态分析中的准确性，采用 37 名健康参与者的数据，使用神经网络对相机的原始估计进行后处理，并证明了这种方法的可行性和优越性。

Jul, 2022

本文提出了一种基于多视图图像的直接关节角度估计方法，通过结合体态姿势表示法，将旋转表示法映射到一个连续空间中，为现场运动分析提供了一种新的方法。

Jul, 2023

提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN)，用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数，该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个 GRU 预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。

May, 2023

近年来，人工智能和计算机视觉的最新技术进展使得步态分析可以在手机等便携设备上进行。本文提出了一种针对摄像机运动具有鲁棒性并提供输出解释的步态分析系统，通过使用运动捕捉系统捕捉的七个特征来区分两种步态，并经验证可靠。

Feb, 2024