基于纤维的软传感器的鲁棒位移估计方法：采用并行注意力增强型LSTM实现康复监测

《Scientific Reports》：Robust displacement estimation from filament-based soft sensors using a parallel attention-enhanced LSTM for rehabilitation monitoring

　　

摘要

从软传感器信号中进行准确的时间序列预测对于基于传感器的康复系统至关重要，但由于传感器噪声、非线性动态和复杂的时间依赖性，这一任务仍然具有挑战性。特别是基于纤维的触觉传感器存在长期漂移、滞后现象以及冗余信号成分，这些都会降低传统循环模型的性能。为了解决这些问题，本文提出了一种新颖的并行注意力增强长短期记忆（PA-LSTM）架构，用于从软传感器数据中实现稳健的位移预测。该模型结合了基于LSTM的时间编码器、并行密集嵌入路径和Bahdanau风格的注意力机制，能够在抑制噪声和无关信号波动的同时，对有信息的时间步进行自适应加权。通过同时捕捉短期动态和全局上下文特征，PA-LSTM在噪声感知条件下增强了时间特征的选择和表示学习能力。该模型使用从基于纤维的触觉传感器中收集的压力-位移数据在康复实验环境中进行了评估。大量实验表明，PA-LSTM在预测准确性及鲁棒性方面均显著优于标准LSTM、GRU、CNN-LSTM以及仅使用注意力的基线模型。具体而言，所提出的方法实现了0.047的均方根误差（RMSE）、0.028的平均绝对误差（MAE）和0.963的R2分数，表明在预测精度和鲁棒性方面取得了显著提升。这些结果证实，PA-LSTM能够有效建模复杂的软传感器动态特性，非常适合用于可穿戴康复设备和软体机器人传感应用中的实时位移估计。