基于TCN-LSTM-小波多头自注意力融合网络的踝关节运动意图预测研究

针对外骨骼控制中运动意图预测实时性差、动态适应性不足的难题，研究人员提出融合时序卷积网络(TCN)、长短期记忆网络(LSTM)和小波多头自注意力(WMSA)的AMIP-N模型，实现0.25秒踝关节矢状面角度轨迹预测，预测误差降低19.4%，实时性达7.16毫秒/次，为可穿戴外骨骼提供精准控制新方案。

　　

在可穿戴机器人技术快速发展的今天，下肢外骨骼(LLEs)已成为行走辅助和康复领域的研究热点。然而，由于数据采集、控制指令生成和电机控制等环节的固有延迟，人机交互(HRI)始终面临严峻挑战。特别是踝关节作为日常活动的关键部位，其运动轨迹预测的准确性直接关系到外骨骼控制的自然性和安全性。传统方法要么局限于步态相位识别提供固定控制策略，要么因预测精度和实时性不足难以满足实际需求——这可能导致外骨骼与人体运动轨迹不同步，甚至造成使用者二次损伤。

针对这一技术瓶颈，BioRob实验室（生物机器人实验室）的研究团队开发了创新性的踝关节运动意图预测网络AMIP-N。该模型巧妙融合时序卷积网络(TCN)的局部特征提取能力、长短期记忆网络(LSTM)的时序建模优势，以及团队原创的小波多头自注意力(WMSA)模块——该模块通过离散小波变换(DWT)强化频域特征分析，结合多头自注意力(MSA)的并行计算与长程依赖捕获特性，仅需1秒历史IMU数据即可精准预测未来0.25秒踝关节矢状面角度轨迹。相关成果发表于《Biomedical Journal》。

研究采用多模态技术路线：首先通过公开数据集和自建数据集（含13名受试者的步态数据）进行模型训练，利用运动捕捉系统与惯性测量单元(IMU)同步采集踝关节运动参数；继而设计TCN-LSTM-WMSA混合架构，其中WMSA模块创新性地将小波分解与注意力机制结合；最后在仿生踝关节张拉整体外骨骼(BATE)上进行人机闭环验证实验，评估预测性能与控制效果。

模型性能验证
在公开数据集测试中，AMIP-N对平地行走(LG)、楼梯攀爬(ST)和跑步机行走(TR)三种运动模式的预测均方根误差(RMSE)分别低至1.612°、1.733°和1.561°，较基线模型提升超19.4%。单次预测耗时仅7.16毫秒，满足实时控制需求。

传感器布局优化
研究发现足部IMU数据对预测贡献率达47.3%，显著高于小腿(28.1%)和大腿(24.6%)传感器，这为外骨骼传感器布置提供了重要依据。

实时控制验证
在1.25米/秒的跑步机行走实验中，预测轨迹与实际踝关节角度的平均绝对误差(MAE)仅为2.73°，证实了方法的工程适用性。

这项研究的突破性在于首次将频域特征分析引入运动意图预测领域，通过WMSA模块实现了时-频域特征的协同优化。团队特别指出，0.25秒的预测区间能有效补偿外骨骼机械系统的固有延迟，这一发现为类似系统的控制参数设计提供了重要参考。值得注意的是，模型在保持轻量化（单次预测耗时不足10毫秒）的同时，对动态步态变化展现出优异适应性，这使其在康复训练和运动辅助场景具有广阔应用前景。源代码已开源共享，将推动整个领域的算法优化进程。