基于WMSA增强TCN-LSTM融合网络的踝关节运动意图预测系统研究

针对外骨骼控制中踝关节运动意图预测精度不足和实时性差的问题，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)模块的AMIP-N模型。实验表明该模型能实现0.25秒轨迹预测，均方根误差降低19.4%，实时预测仅需7.16毫秒，为外骨骼精准控制提供新方案。

　　

在可穿戴外骨骼技术快速发展的今天，下肢外骨骼(LLEs)面临的核心挑战是如何实现自然流畅的人机交互(HRI)。传统运动意图预测方法难以适应动态步态变化，预测延迟常导致轨迹偏差甚至二次伤害，其中踝关节作为日常活动关键部位，其精准预测尤为重要。现有基于肌电(EMG)的生理信号易受个体差异干扰，而惯性测量单元(IMU)虽具实时优势，但传统机器学习方法对复杂运动预测效果有限。

针对这一难题，BioRob-Lab的研究团队创新性地提出踝关节运动意图预测网络(AMIP-N)。该模型突破性地将时序卷积网络(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，与自主研发的小波多头自注意力(WMSA)模块相结合，首次实现同时捕获时频域特征。通过公共数据集和自建数据集验证，AMIP-N仅需1秒历史IMU数据即可预测未来0.25秒踝关节矢状面角度轨迹，预测误差较基线模型降低19.4%，单次预测耗时仅7.16毫秒。更在仿生踝关节张拉整体外骨骼(BATE)实机测试中取得2.73°的平均绝对误差，相关成果发表于《Biomedical Journal》。

关键技术包括：1) 采用四IMU配置采集下肢运动数据；2) 通过离散小波变换(DWT)提取频域特征；3) 构建TCN-LSTM-WMSA混合架构；4) 在13人队列中验证跨被试适应性。

研究结果方面：
框架概述：AMIP-N通过并联TCN和LSTM分支处理原始IMU信号，WMSA模块对两路特征进行小波域注意力加权，最终融合预测。
数据集：基于Camargo公共数据集，涵盖平地行走(LG)、楼梯攀爬(ST)和斜坡行走(TR)三种运动模式。
讨论：频域特征分析揭示踝关节运动在4-8Hz频段具有显著信息量，WMSA模块使模型对该频段灵敏度提升37%。IMU最优布局为胫骨前肌与腓骨外侧。
结论：AMIP-N在三种运动模式下RMSE分别达1.612°、1.733°和1.561°，较传统LSTM提升23.1%，满足外骨骼控制<10ms的实时性要求。

该研究的突破性在于：首次将小波分析与自注意力机制结合应用于运动预测，通过频域特征增强使模型具备步态突变检测能力。实际应用中，0.25秒预测窗口为机械系统延迟预留缓冲空间，2.73°的跟踪误差显著低于临床安全阈值。开源代码的发布更推动外骨骼控制算法的标准化进程，为智能康复设备发展提供关键技术支撑。