在不同的运动模式之间切换（例如，楼梯上升/下降，坡道上升/下降）时，动力的假肢腿必须预见用户的意图。许多数据驱动的分类技术已经证明了预测用户意图的有希望的结果，但是这些意图预测模型对新主题的表现仍然不受欢迎。在其他域（例如，图像分类）中，通过从大型数据集（即预训练的模型）中使用先前学习的功能，然后将此学模型转移到可用的新任务中，可以提高转移学习的精度。在本文中，我们开发了一个基于人类运动数据集的内部受试者（受试者）和主体间（主体独立）验证的深卷卷神经网络。然后，我们使用剩下的主题中的一小部分（10％）将转移学习应用于主题独立的模型。我们比较了这三个模型的性能。我们的结果表明，转移学习（TL）模型的表现优于主题无关（IND）模型，并且与主题依赖性（DEP）模型（DEP错误：0.74 $ \ pm $ 0.002％，IND错误：11.59 $ \ \ PM $ 0.076％，TL错误：3.57 $ \ pm $ 0.02％，有10％的数据）。此外，正如预期的那样，随着剩余主题的更多数据的可用性，转移学习精度会提高。我们还通过各种传感器配置评估了意图预测系统的性能，这些传感器配置可能会在假肢应用程序中可用。我们的结果表明，假体的大腿IMU足以预测实践中的运动意图。

为了改善对步态辅助的可穿戴机器人技术的控制，我们提出了一种基于包括时间历史信息的人工神经网络的连续运动模式识别以及步态阶段和楼梯坡度估算的方法。输入功能仅由处理变量组成，这些变量可以通过单个柄安装的惯性测量单元进行测量。我们引入了可穿戴设备，以获取现实世界环境测试数据，以证明该方法的性能和鲁棒性。确定平均绝对误差（步态相，楼梯斜率）和准确性（运动模式），以进行稳定的步行和稳定的楼梯移动。使用来自不同传感器硬件，传感器固定，移动环境和受试者的测试数据评估鲁棒性。步态阶段稳定步态测试数据的平均绝对误差为2.0-3.5％，对于楼梯斜率估计，步态阶段的平均绝对误差为3.3-3.8 {\ deg}。在测试数据上使用时间历史记录信息的利用在98.51％和99.67％之间的测试数据上正确的运动模式的准确性。结果表明，在稳定步态期间，持续预测步态阶段，楼梯斜率和运动模式的高性能和鲁棒性。如假设的那样，时间历史信息改善了运动模式识别。但是，尽管步射阶段在运动模式之间未经训练的过渡方面表现良好，但我们的定性分析表明，将过渡数据纳入神经网络的训练以改善斜率和运动模式的预测可能是有益的。我们的结果表明，人工神经网络可用于对可穿戴下肢机器人技术的高水平控制。

使用诸如嵌入惯性测量单元（IMU）传感器的可穿戴设备（如智能手表）的人类活动识别（Har）具有与我们日常生活相关的各种应用，例如锻炼跟踪和健康监控。在本文中，我们使用在不同身体位置佩戴的多个IMU传感器提出了一种基于人类活动识别的新颖性方法。首先，设计传感器设计特征提取模块以提取具有卷积神经网络（CNNS）的各个传感器的最辨别特征。其次，开发了一种基于注意的融合机制，以了解不同车身位置处的传感器的重要性，并产生细节特征表示。最后，应用传感器间特征提取模块来学习与分类器连接的传感器间相关性以输出预测的活动。所提出的方法是使用五个公共数据集进行评估，并且在各种活动类别上优于最先进的方法。

Wearable sensor-based human activity recognition (HAR) has emerged as a principal research area and is utilized in a variety of applications. Recently, deep learning-based methods have achieved significant improvement in the HAR field with the development of human-computer interaction applications. However, they are limited to operating in a local neighborhood in the process of a standard convolution neural network, and correlations between different sensors on body positions are ignored. In addition, they still face significant challenging problems with performance degradation due to large gaps in the distribution of training and test data, and behavioral differences between subjects. In this work, we propose a novel Transformer-based Adversarial learning framework for human activity recognition using wearable sensors via Self-KnowledgE Distillation (TASKED), that accounts for individual sensor orientations and spatial and temporal features. The proposed method is capable of learning cross-domain embedding feature representations from multiple subjects datasets using adversarial learning and the maximum mean discrepancy (MMD) regularization to align the data distribution over multiple domains. In the proposed method, we adopt the teacher-free self-knowledge distillation to improve the stability of the training procedure and the performance of human activity recognition. Experimental results show that TASKED not only outperforms state-of-the-art methods on the four real-world public HAR datasets (alone or combined) but also improves the subject generalization effectively.

外骨骼和矫形器是可穿戴移动系统，为用户提供机械益处。尽管在过去几十年中有重大改进，但该技术不会完全成熟，以便采用剧烈和非编程任务。为了适应这种功能不全，需要分析和改进该技术的不同方面。许多研究一直在努力解决外骨骼的某些方面，例如，机构设计，意向预测和控制方案。但是，大多数作品都专注于设计或应用的特定元素，而无需提供全面的审查框架。本研究旨在分析和调查为改进和广泛采用这项技术的贡献方面。为了解决此问题，在引入辅助设备和外骨骼后，将从物理人员 - 机器人接口（HRI）的角度来研究主要的设计标准。通过概述不同类别的已知辅助设备的几个例子，将进一步开发该研究。为了建立智能HRI策略并为用户提供直观的控制，将研究认知HRI。将审查这种策略的各种方法，并提出了意图预测的模型。该模型用于从单个电拍摄（EMG）通道输入的栅极相位。建模结果显示出低功耗辅助设备中单通道输入的潜在使用。此外，所提出的模型可以在具有复杂控制策略的设备中提供冗余。

Just like in humans vision plays a fundamental role in guiding adaptive locomotion, when designing the control strategy for a walking assistive technology, Computer Vision may bring substantial improvements when performing an environment-based assistance modulation. In this work, we developed a hip exosuit controller able to distinguish among three different walking terrains through the use of an RGB camera and to adapt the assistance accordingly. The system was tested with seven healthy participants walking throughout an overground path comprising of staircases and level ground. Subjects performed the task with the exosuit disabled (Exo Off), constant assistance profile (Vision Off ), and with assistance modulation (Vision On). Our results showed that the controller was able to promptly classify in real-time the path in front of the user with an overall accuracy per class above the 85%, and to perform assistance modulation accordingly. Evaluation related to the effects on the user showed that Vision On was able to outperform the other two conditions: we obtained significantly higher metabolic savings than Exo Off, with a peak of about -20% when climbing up the staircase and about -16% in the overall path, and than Vision Off when ascending or descending stairs. Such advancements in the field may yield to a step forward for the exploitation of lightweight walking assistive technologies in real-life scenarios.

来自世界卫生组织的现行指南表明，萨尔科夫-2冠状病毒导致新型冠状病毒疾病（Covid-19），通过呼吸液滴或通过接触传输。当受污染的双手触摸嘴巴，鼻子或眼睛的粘膜时，会发生接触传输。此外，病原体也可以通过受污染的手从一个表面转移到另一个表面，这便于通过间接接触传输。因此，手卫生极为重要，无法防止萨尔库夫-2病毒的传播。此外，手工洗涤和/或手摩擦也破坏了其他病毒和细菌的传播，引起常见的感冒，流感和肺炎，从而降低了整体疾病负担。可穿戴设备（如Smartwatches）的巨大扩散，包括加速，旋转，磁场传感器等，以及人工智能的现代技术，如机器学习和最近深度学习，允许开发准确的应用人类活动的认可和分类，如：步行，攀爬楼梯，跑步，拍手，坐着，睡觉等。在这项工作中，我们评估了基于当前智能手​​表的自动系统的可行性，该智能手表能够识别何时受试者洗涤或摩擦它的手，以监测频率和持续时间的参数，并评估手势的有效性。我们的初步结果显示了分别为深度和标准学习技术的约95％和约94％的分类准确性。

近年来，基于数据驱动的导航和定位方法吸收了注意力，并且在准确性和效率方面优于其所有竞争对手方法。本文介绍了一种称为IMUNET的新体系结构，该架构是对边缘设备实现的位置估算的准确和有效效率，该估算接收了一系列RAW IMU测量。该体系结构已与最新的CNN网络的一维版本进行了比较，该网络最近介绍了用于Edge设备实现的精确性和效率。此外，已经提出了一种使用IMU传感器和Google Arcore API收集数据集的新方法，并已记录了公开可用的数据集。使用四个不同的数据集以及提出的数据集和实际设备实现的全面评估已经证明了体系结构的性能。 Pytorch和Tensorflow框架以及Android应用程序代码中的所有代码都已共享，以改善进一​​步的研究。

Human Activity Recognition (HAR) using on-body devices identifies specific human actions in unconstrained environments. HAR is challenging due to the inter and intra-variance of human movements; moreover, annotated datasets from on-body devices are scarce. This problem is mainly due to the difficulty of data creation, i.e., recording, expensive annotation, and lack of standard definitions of human activities. Previous works demonstrated that transfer learning is a good strategy for addressing scenarios with scarce data. However, the scarcity of annotated on-body device datasets remains. This paper proposes using datasets intended for human-pose estimation as a source for transfer learning; specifically, it deploys sequences of annotated pixel coordinates of human joints from video datasets for HAR and human pose estimation. We pre-train a deep architecture on four benchmark video-based source datasets. Finally, an evaluation is carried out on three on-body device datasets improving HAR performance.

从意外的外部扰动中恢复的能力是双模型运动的基本机动技能。有效的答复包括不仅可以恢复平衡并保持稳定性的能力，而且在平衡恢复物质不可行时，也可以保证安全的方式。对于与双式运动有关的机器人，例如人形机器人和辅助机器人设备，可帮助人类行走，设计能够提供这种稳定性和安全性的控制器可以防止机器人损坏或防止伤害相关的医疗费用。这是一个具有挑战性的任务，因为它涉及用触点产生高维，非线性和致动系统的高动态运动。尽管使用基于模型和优化方法的前进方面，但诸如广泛领域知识的要求，诸如较大的计算时间和有限的动态变化的鲁棒性仍然会使这个打开问题。在本文中，为了解决这些问题，我们开发基于学习的算法，能够为两种不同的机器人合成推送恢复控制政策：人形机器人和有助于双模型运动的辅助机器人设备。我们的工作可以分为两个密切相关的指示：1）学习人形机器人的安全下降和预防策略，2）使用机器人辅助装置学习人类的预防策略。为实现这一目标，我们介绍了一套深度加强学习（DRL）算法，以学习使用这些机器人时提高安全性的控制策略。

这项工作开发了一种基于学习的联系人估算，用于绕过物理传感器的需要，并将多模态原宿感官数据作为输入绕过。与基于视觉的状态估计不同，Benrioceptive状态估算变无关，对感知性地降级的情况（如黑暗或有雾的场景）不可知。虽然一些机器人配备了专用物理传感器来检测状态估计的必要接触数据，但有些机器人没有专用的接触传感器，并且添加这种传感器是非微小的，而不重新设计硬件。训练有素的网络可以估计不同地形上的联系事件。该实验表明，与最先进的视觉流动系统相比，接触辅助不变的延长卡尔曼滤光器可以产生精确的内径轨迹，从而实现鲁棒的丙基型测距仪。

机器学习的最新进展表明，通过自我监督的学习获得的预训练表示形式可以通过小型培训数据实现高精度。与视觉和自然语言处理域不同，基于IMU的应用程序的预培训是具有挑战性的，因为只有少数公开可用的数据集具有足够的规模和多样性来学习可推广的表示。为了克服这个问题，我们提出了IMG2IMU，这是一种新颖的方法，可以适应从大规模图像到不同弹药的IMU感应任务的预训练表示。我们将传感器数据转换为可解释的频谱图，以便模型利用从视觉中获得的知识。此外，我们将对比度学习应用于我们旨在学习用于解释传感器数据的表示形式。我们对五个IMU感应任务的广泛评估表明，IMG2IMU始终优于基准，这说明视力知识可以纳入一些用于IMU感应任务的学习环境中。

Wearable sensors for measuring head kinematics can be noisy due to imperfect interfaces with the body. Mouthguards are used to measure head kinematics during impacts in traumatic brain injury (TBI) studies, but deviations from reference kinematics can still occur due to potential looseness. In this study, deep learning is used to compensate for the imperfect interface and improve measurement accuracy. A set of one-dimensional convolutional neural network (1D-CNN) models was developed to denoise mouthguard kinematics measurements along three spatial axes of linear acceleration and angular velocity. The denoised kinematics had significantly reduced errors compared to reference kinematics, and reduced errors in brain injury criteria and tissue strain and strain rate calculated via finite element modeling. The 1D-CNN models were also tested on an on-field dataset of college football impacts and a post-mortem human subject dataset, with similar denoising effects observed. The models can be used to improve detection of head impacts and TBI risk evaluation, and potentially extended to other sensors measuring kinematics.

移动设备上的人类活动识别（HAR）已证明可以通过从用户的惯性测量单元（IMU）生成的数据中学到的轻量级神经模型来实现。基于Instanced HAR的大多数方法都使用卷积神经网络（CNN），长期记忆（LSTMS）或两者组合以实现实时性能来实现最新结果。最近，在语言处理域中，然后在视觉域中的变形金刚体系结构进一步推动了对古典体系结构的最先进。但是，这种变形金刚在计算资源中是重量级的，它不适合在Pervasive Computing域中找到HAR的嵌入式应用程序。在这项研究中，我们提出了人类活动识别变压器（HART），这是一种轻巧的，传感器的变压器结构，已专门适用于嵌入移动设备上的IMU的域。我们对HAR任务的实验具有几个公开可用的数据集，表明HART使用较少的每秒浮点操作（FLOPS）和参数，同时超过了当前的最新结果。此外，我们在各种体系结构中对它们在异质环境中的性能进行了评估，并表明我们的模型可以更好地推广到不同的感应设备或体内位置。

文献中的许多研究已经显示出出于身份验证目的的移动设备上生物识别技术的潜力。但是，已经表明，与生物识别系统相关的学习过程可能会暴露有关受试者的敏感个人信息。这项研究提出了Gaitprivacyon，这是一种新型的移动步态生物识别验证方法，可提供准确的身份验证结果，同时保留受试者的敏感信息。它包括两个模块：i）卷积自动编码器，该卷积自动编码器将生物识别原始数据的属性（例如性别或正在执行的活动）转换为新的隐私表示表示； ii）基于卷积神经网络（CNN）和复发性神经网络（RNN）与暹罗结构的相结合的移动步态验证系统。 Gaitprivacyon的主要优点是，第一个模块（卷积自动编码器）以无监督的方式进行了训练，而无需指定主题的敏感属性以保护。使用两个流行数据库（Motionsense和MobiACT）实现的实验结果表明，Gaitprivacyon有可能显着改善受试者的隐私，同时保持用户身份验证结果高于曲线下99％的面积（AUC）。据我们所知，这是第一种移动步态验证方法，它考虑了以无监督方式培训的隐私方法。

呼吸率（RR）是重要的生物标志物，因为RR变化可以反映严重的医学事件，例如心脏病，肺部疾病和睡眠障碍。但是，不幸的是，标准手动RR计数容易出现人为错误，不能连续执行。这项研究提出了一种连续估计RR，RRWAVENET的方法。该方法是一种紧凑的端到端深度学习模型，不需要特征工程，可以将低成本的原始光摄影学（PPG）用作输入信号。对RRWAVENET进行了独立于主题的测试，并与三个数据集（BIDMC，Capnobase和Wesad）中的基线进行了比较，并使用三个窗口尺寸（16、32和64秒）进行了比较。 RRWAVENET优于最佳窗口大小为1.66 \ pm 1.01、1.59 \ pm 1.08的最佳绝对错误的最新方法，每个数据集每分钟每分钟呼吸0.96。在远程监视设置（例如在WESAD数据集中），我们将传输学习应用于其他两个ICU数据集，将MAE降低到1.52 \ pm每分钟0.50呼吸，显示此模型可以准确且实用的RR对负担得起的可穿戴设备进行准确估算。我们的研究表明，在远程医疗和家里，远程RR监测的可行性。

在实践中，非常苛刻，有时无法收集足够大的标记数据数据集以成功培训机器学习模型，并且对此问题的一个可能解决方案是转移学习。本研究旨在评估如何可转让的时间序列数据和哪些条件下的不同域之间的特征。在训练期间，在模型的预测性能和收敛速度方面观察到转移学习的影响。在我们的实验中，我们使用1,500和9,000个数据实例的减少数据集来模仿现实世界的条件。使用相同的缩小数据集，我们培训了两组机器学习模型：那些随着转移学习的培训和从头开始培训的机器学习模型。使用四台机器学习模型进行实验。在相同的应用领域（地震学）以及相互不同的应用领域（地震，语音，医学，金融）之间进行知识转移。我们在训练期间遵守模型的预测性能和收敛速度。为了确认所获得的结果的有效性，我们重复了实验七次并应用了统计测试以确认结果的重要性。我们研究的一般性结论是转移学习可能会增加或不会对模型的预测性能或其收敛速度产生负面影响。在更多细节中分析收集的数据，以确定哪些源域和目标域兼容以用于传输知识。我们还分析了目标数据集大小的效果和模型的选择及其超参数对转移学习的影响。

用于主动假体或orthoses的控制策略使用传感器输入来识别用户的机车意图，并生成用于产生所需运动的相应控制命令。在本文中，我们提出了一种基于学习的共享模型，用于预测不同运动模式的脚踝关节运动，如Lope-Grouding，Stair Ascent，Stair Descent，Slope Ascent和Slope Descent，而无需在它们之间进行分类。从髋关节和膝关节角运动中提取的特征用于使用前馈神经网络的共享模型连续地预测脚踝角度和矩。我们表明，共享模型足以预测不同运动模式的脚踝角度和时刻，而不明确地在模式之间进行分类。所提出的策略表明，为能够适应不同运动模式的智能假肢脚踝设计高级控制器的可能性。

在机电一体化的IEEE / ASME交易上发布，DOI：10.1109 / TMECH.2021.3100150。理想情况下，需要精确的传感器测量来实现机电系统的闭环控制中的良好性能。因此，传感器故障将阻止系统正常工作，除非采用容错控制（FTC）架构。作为非线性系统的基于模型的FTC算法通常是具有挑战性的设计，本文基于深度学习的传感器故障存在于FTC的新方法。所考虑的方法用单个反复性神经网络替换故障检测和隔离和控制器设计的阶段，其在给定的时间窗口中具有过去的传感器测量值作为输入，以及控制变量的当前值作为输出。该端到端的深FTC方法应用于由球形倒立摆的机电调整系统，其构造通过反应轮改变，又通过电动机致动。模拟和实验结果表明，该方法可以处理连杆位置/速度传感器中发生的突然故障。提供的补充材料包括现实世界实验和软件源代码的视频。

基于步态阶段的控制是步行AID机器人的热门研究主题，尤其是机器人下限假体。步态阶段估计是基于步态阶段控制的挑战。先前的研究使用了人类大腿角的整合或差异来估计步态阶段，但是累积的测量误差和噪声可能会影响估计结果。在本文中，提出了一种更健壮的步态相估计方法，使用各种运动模式的分段单调步态相位大角模型的统一形式。步态相仅根据大腿角度估算，这是一个稳定的变量，避免了相位漂移。基于卡尔曼滤波器的平滑液旨在进一步抑制估计步态阶段的突变。基于提出的步态相估计方法，基于步态阶段的关节角跟踪控制器是为跨股骨假体设计的。提出的步态估计方法，步态相和控制器通过在各种运动模式下的步行数据进行离线分析来评估。基于步态阶段的控制器的实时性能在经际假体的实验中得到了验证。