TCN-xLSTM：一种结合TCN和xLSTM的混合时序模型，用于从惯性测量单元（IMU）信号中估计下肢关节力矩

《IEEE Robotics and Automation Letters》：TCN-xLSTM: A Hybrid Temporal Model Integrating TCN and xLSTM for Lower Limb Joint Moment Estimation From IMU Signals

实时预测下肢关节矩的TCN-xLSTM模型通过融合时空卷积与增强型LSTM，在IMU信号仅需下实现比LSTM/GRU等模型MAE降低11%-20.78%，并验证了步态泛化能力及GRF融合潜力。

　　

摘要：

准确预测人体关节力矩对于提高可穿戴外骨骼的稳定性、响应性和控制能力至关重要。尽管基于惯性测量单元（IMU）信号的机器学习方法在关节力矩估计方面取得了进展，但现有模型仍存在精度有限、适应步态变化能力不足以及预测性能不佳的问题。本研究提出了一种新型神经网络架构TCN-xLSTM，该架构将时间卷积网络（TCN）与扩展的长短期记忆（xLSTM）模块相结合，仅利用IMU数据实现下肢关节力矩的实时估计。该模型通过时间卷积和增强型记忆处理的双重机制捕捉短期和长期的时间依赖性，同时特征混合策略丰富了时间表示。实验结果表明，TCN-xLSTM在预测髋关节、膝关节和踝关节力矩方面优于基线模型（LSTM、GRU、TCN、Informer和iTransformer）。与表现最佳的基线模型相比，TCN-xLSTM在髋关节、膝关节和踝关节的预测中分别将平均绝对误差（MAE）降低了11.11%、15.52%和20.78%。此外，该模型在多种步态模式下的泛化能力也很强。我们还探讨了地面反作用力（GRF）的作用及其对预测性能的影响，为未来的传感器融合提供了有益的见解。在自收集的数据集上进行验证证实了该模型的有效性，为其在实时外骨骼辅助步态和人机交互场景中的应用提供了支持。