基于深度神经网络的多伪传感器融合下肢关节力矩估计方法

《Medical & Biological Engineering & Computing》：A multi-pseudo-sensor fusion approach to estimating the lower limb joint moments based on deep neural network

为解决户外智能辅助设备对下肢关节力矩实时精准反馈的需求，研究人员提出一种融合传统深度学习模型的多模态运动意图识别系统DeepMPSF-Net。通过整合卷积神经网络(CNN)、循环神经网络(RNN)和注意力机制等7种单元模型，结合数据增强模块和变权重融合方法，实现了行走、跑步、上下楼梯等场景下关节力矩的高精度估计（PCC达0.921-0.988），为下肢外骨骼等智能辅助设备研发提供关键技术支撑。

　　

这项突破性研究瞄准了智能辅助设备开发中的核心挑战——如何像实验室环境一样精准捕捉户外活动时的下肢生物力学信号。科研团队巧妙地将七种深度学习"专家"(CNN、RNN和注意力机制组合)集结成军，构建出名为DeepMPSF-Net的智能融合系统。这个系统就像配备多维度感知能力的仿生神经中枢，把每个单元模型的输出视为虚拟传感器信号，通过动态权重调节实现信息最优整合。

特别引人注目的是团队设计的"数据增强引擎"，有效提升了模型在复杂场景下的适应能力。当测试者进行步行、奔跑或阶梯攀爬时，系统能像经验丰富的康复医师那样，准确解读髋、膝、踝关节在矢状面(sagittal plane)的力学变化，其关节力矩预测精度(PCC)最高可达惊人的0.988。这项技术突破意味着，未来智能假肢或外骨骼设备将可能真正理解使用者的运动意图，实现"意念级"的人机协同。