多模态融合网络

交叉被试高鲁棒

端到端的CNN-RNN与CNN-GNN框架，无需手工特征工程，通过迁移学习适应新被试。

Zhang, Changhe · Zidong, Yu · Xiaoyun, Wang · Chen, Zejian · 邓超 · Sheng Quan, Xie

Biomedical Signal Processing and Control 2024

参数信息

平均识别率

95.198 %

平均识别率

99.784 %

平均识别率

99.845 %

技术优势

免特征工程

端到端深度学习框架直接从未加工传感器数据学习特征表示，不再依赖专家设计的特征。

跨被试可复用

结合自适应批归一化和模型微调两种迁移学习技术，使模型在新被试上也能保持高精度。

应用场景

• 康复机器人交互：实时识别患者动作，让康复机器人按需提供助力或阻力。
• 外骨骼运动控制：为外骨骼提供连续运动意图，驱动关节协同运动。
• 人机协作感知：融合多模态传感信息，让机器人更准确地理解人体动作。