Resumen

La detección de fases de la marcha humana es una tecnología significativa para el control de exoesqueletos robóticos y la terapia de rehabilitación por ejercicio. Las Unidades de Medición Inercial (IMUs) con acelerómetro y giroscopio son convenientes y económicas para recopilar datos de la marcha, que a menudo se utilizan para analizar la dinámica de la marcha en aplicaciones diarias personales. Sin embargo, los métodos actuales de aprendizaje profundo que extraen características espaciales y temporales aisladas pueden ignorar fácilmente la correlación que puede existir en el espacio de alta dimensión, lo que limita el efecto de reconocimiento de un solo modelo. En este estudio, se propone un marco de aprendizaje profundo híbrido efectivo basado en la fusión de probabilidades gaussianas de múltiples redes espacio-temporales (GFM-Net) para detectar diferentes fases de la marcha a partir de señales IMU de múltiples fuentes. Además, primero emplea el sistema de adquisición de información de la

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Tecnología; Robótica; Exoesqueletos; IMUs; Aprendizaje profundo; Fases de la marcha
• Keywords:Technology; Robotics; Exoskeletons; IMUs; Deep-learning; Gait phases