-‎-

مكانيك

تشخيص دقيق حركت اندام تحتاني براي پيشرفت كنترل هوشمند پروتز و تعامل انسان و ربات حياتي است. اين مطالعه يك معماري جديد شبكه عصبي كانولوشني تك بعدي چند شاخه‌اي را ارائه مي‌دهد كه شامل الحاق عمقي و چهار شاخه موازي با اندازه‌هاي كرنل يكسان است. برخلاف مدل‌هاي مرسوم كه براي تنوع ويژگي‌ها به اندازه‌هاي كرنل متنوع متكي هستند، اين ساختار نشان مي‌دهد كه پردازش عميق و موازي با هسته‌هاي يكنواخت مي‌تواند به دقت بالا و نمايش غني از ويژگي‌ها دست يابد. در مجموع حدود 99 دقيقه داده با سرعت 200 هرتز با استفاده از يك سيستم پوشيدني ساخته شده در اين مطالعه، با تركيب حسگرهاي اينرسي و فراصوت، جمع‌آوري شد. جمع‌آوري داده‌ها در محيط‌هاي طبيعي و غير آزمايشگاهي انجام شد تا از تنوع و تعميم‌پذيري در دنياي واقعي اطمينان حاصل شود. اين مدل در هفت نوع حركت آموزش داده شد: راه رفتن، بالا رفتن از سطح شيبدار، پايين آمدن از سطح شيبدار، بالا رفتن از سطح شيبدار به راه رفتن روي سطح صاف، پايين آمدن از سطح شيبدار به راه رفتن روي سطح صاف، بالا رفتن از سطح شيبدار به راه رفتن و پايين آمدن از سطح شيبدار به راه رفتن. دو متغيير ورودي مورد مطالعه قرار گرفت: فقط سنسورهاي اينرسي و سنسورهاي اينرسي همراه با فراصوت. اين مدل براي ورودي فقط از نوع اينرسي قصد حركت اندام تحتاني را با دقت 96.11٪ و براي ادغام حسگرهاي فراصوت و اينرسي با دقت 96.20٪ تشخيص داد. نكته مهم اين است كه سيستم پيشنهادي، هم نوع حركت و هم گذار فاز راه رفتن را در عرض 40 ميلي‌ثانيه پيش‌بيني مي‌كند. عملكرد بهتر از آستانه 82 ميلي‌ثانيه‌اي براي پاسخگويي بلادرنگ ضروري است. اين معماري كارآمد و مقياس‌پذير، راه را براي استقرار بلادرنگ در سيستم‌هاي كمكي پوشيدني هموار مي‌كند.

1404/08/11

Predicting human leg movement intention using convolutional neural networks

9/3/2026 12:00:00 AM

Accurate recognition of lower limb motion is crucial for advancing intelligent prosthetic control an‎d human–robot interaction. This study introduces a novel multi-branch one-dimensional convolutional neural network (1D-CNN) architecture featuring depth concatenation an‎d four parallel branches with identical kernel sizes. Unlike conventional models that rely on diverse kernel sizes to enhance feature variability, the proposed structure demonstrates that deep an‎d parallel processing with uniform kernels can achieve high accuracy an‎d rich feature representations. Approximately 99 minutes of data were collected at a sampling rate of 200 Hz using a custom-designed wearable system integrating inertial an‎d ultrasonic sensors. Data collection was conducted in natural, non-laboratory environments to ensure diversity an‎d real-world generalizability. The model was trained to classify seven types of lower limb motions: walking, ramp ascent, ramp descent, transition from ramp ascent to level walking, transition from ramp descent to level walking, level-to-ramp ascent, an‎d level-to-ramp descent. Two input modalities were eva‎luated: (1) inertial sensors only an‎d (2) the combination of inertial an‎d ultrasonic sensors. The proposed model achieved an accuracy of 96.11% using inertial sensors alone an‎d 96.20% when fusing inertial an‎d ultrasonic data for motion intent recognition. Importantly, the proposed system predicts both motion type an‎d gait phase transition within 40 milliseconds, outperforming the real-time responsiveness threshold of 82 milliseconds. This efficient an‎d scalable architecture paves the way for real-time deployment in wearable assistive systems.

حركت اندام تحتاني , پيش‌بيني , شبكه عصبي , سنسور اينرسي , كانولوشن

lower limb motion , predict , neural network , IMU , Convolution

Rezvan Aghiri

Dr.Borhan Beigzadeh