文献

J-GLOBAL ID：202102279391111166   整理番号：21A0615024

下肢リハビリテーションのための筋電図,床反力および機械学習に基づくスマートな地形識別技術【JST・京大機械翻訳】

A Smart Terrain Identification Technique Based on Electromyography, Ground Reaction Force, and Machine Learning for Lower Limb Rehabilitation

著者 (6件)： Gao Shuo (School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing 100083, China) ,  Gao Shuo (Beijing Advanced Innovation Center for Big Data-Based Precision Medicine, Beihang University, Beijing 100083, China) ,  Wang Yixuan (School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing 100083, China) ,  Fang Chaoming (School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing 100083, China) ,  Xu Lijun (School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing 100083, China) ,  Xu Lijun (Beijing Advanced Innovation Center for Big Data-Based Precision Medicine, Beihang University, Beijing 100083, China)
資料名： Applied Sciences (Web)  (Applied Sciences (Web))
巻： 10  号： 8  ページ： 2638  発行年： 2020年 
JST資料番号： U7135A  ISSN： 2076-3417  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 下肢リハビリテーションシステムにおける自動地形分類は世界的に注目されている。この分野では,単純なシステムアーキテクチャと高い分類精度が2つの望ましい属性である。本論文では,2つの筋電図(EMG)センサと2つの地上反力(GRF)センサだけを利用するスマート神経筋機械的融合と機械学習ベースの地形分類技術を,3つの異なる地形(下り坂,レベル,および上り坂)を分類するために報告した。10名の健常被験者からのEMGとGRF信号を収集し,前処理し,分割して,各ストライドのEMGとGRFプロファイルを得て,それに基づいて,9つのGRFの特徴と12のEMG特徴を含む21の統計特徴を抽出した。サポートベクトルマシン(SVM)機械学習モデルを,それぞれ,抽出したEMG特徴,GRF特徴,およびそれらの融合によって確立し,訓練した。いくつかの方法または統計的計量を用いて,選択した特徴の相関分析のための対t検定およびKruskalWallis試験,およびSVMモデルの性能に対する10倍交差検証精度,混乱行列,感度および特異性を含む提案技法の良さを評価した。結果は,抽出した特徴が地形変化と高度に相関し,EMGとGRF特徴の融合が96.8%の最高精度を生成することを示した。提案技法は,結果の正確な検出を達成する簡単なシステム構築を可能にし,リハビリテーションのための地形分類技術の開発を潜在的に進める。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *リハビリテーション ,  *筋電図 ,  *反力 ,  センサ ,  カオス ,  *機械学習 ,  システムアーキテクチャ ,  *床反力 ,  サポートベクトルマシン
準シソーラス用語： 被験者 ,  相関分析 ,  t検定 ,  システム構築 ,  特異性 ,  地形分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： 地形分類 ,  筋電図 ,  地盤反力 ,  特徴抽出 ,  マルチセンサ融合

分類 (2件)： リハビリテーション  (GB06000Z) ,  生体計測  (EL03020C)

引用文献 (75件)：

• Yan, T.F.; Cempini, M.; Oddo, C.M.; Vitiello, N. Review of assistive strategies in powered lower-limb orthoses and exoskeletons. Robot. Auton. Syst. 2015, 64, 120-136.
• Mekki, M.; Delgado, A.D.; Fry, A.; Putrino, D.; Huang, V. Robotic Rehabilitation and Spinal Cord Injury: A Narrative Review. Neurotherapeutics 2018, 15, 604-617.
• Meng, W.; Liu, Q.; Zhou, Z.D.; Ai, Q.S.; Sheng, B.; Xie, S.Q. Recent development of mechanisms and control strategies for robot-assisted lower limb rehabilitation. Mechatronics 2015, 31, 132-145.
• Chen, B.; Zi, B.; Wang, Z.Y.; Qin, L.; Liao, W.H. Knee exoskeletons for gait rehabilitation and human performance augmentation: A state-of-the-art. Mech. Mach. Theory 2019, 134, 499-511.
• Shultz, A.H.; Lawson, B.E.; Goldfarb, M. Variable Cadence Walking and Ground Adaptive Standing with a Powered Ankle Prosthesis. IEEE Trans. Neural Syst. Rehabil. Eng. 2016, 24, 495-505.

タイトルに関連する用語 (7件)： 下肢 ,  リハビリテーション ,  筋電図 ,  床反力 ,  機械学習 ,  地形 ,  識別