GaitNet：基于迁移学习优化的CNN-GRU架构，用于健康人群与中风后患者的意图识别

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：GaitNet: Transfer Learning–Enhanced CNN–GRU Architecture for Intention Detection in Healthy and Post-Stroke Participants

　　

摘要：

在脑卒中后的康复过程中，实现对人类运动意图的高精度、高数据效率且实时的检测，对于有效控制辅助机器人和康复机器人至关重要。然而，现有的方法大多针对健康参与者，且往往需要大量针对特定个体的数据，这限制了它们的临床应用价值。为了解决这些问题，我们提出了GaitNet，这是一种基于迁移学习优化的双分支CNN–GRU框架，旨在为健康参与者及脑卒中后的患者提供高效且可靠的运动意图检测功能。GaitNet结合了用于空间特征学习的卷积层、用于多模态数据融合的潜在空间处理机制，以及用于时间建模的门控循环单元（GRU），同时借助迁移学习来减少对大量特定个体数据的依赖。在使用完整数据集进行的测试中，GaitNet在健康参与者上的准确率为99.29%±0.17，在脑卒中后患者上的准确率为98.96%±0.47，其性能优于传统的深度学习模型和经典模型。在迁移学习模式下，GaitNet先在健康参与者数据上预训练，然后再在脑卒中后患者的数据上进行微调。值得注意的是，在联合监督预训练（JSP）模式下，仅使用45%的脑卒中后患者数据（每种动作重复9次），该模型的准确率、精确度、召回率和F1分数仍可保持在98%以上，这样不仅将数据需求降低了65%，还保持了高性能。此外，GaitNet每处理一批输入数据的推理时间为27.46毫秒，完全符合相关辅助机器人研究中所要求的实时性标准，而且已在包含健康参与者的闭环机器人控制系统中得到成功应用，这证明了它适用于实时康复场景。这些结果表明，GaitNet是一种实用且可扩展的解决方案，能够高效、准确地检测脑卒中后患者的运动意图。