基于截瘫助行外骨骼机器人的人机信任度评估

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:grandbill
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
人对机器人的信任程度很大程度上会影响到人机协作的效果。目前为止,国内外对于人机的信任度研究成果有限,但是人机的信任度研究已经逐渐成为国内外一个热点问题,而基于外骨骼机器人的人机信任程度研究更是一片空白。随着截瘫助行外骨骼机器人临床测试工作的深入,其信任度对于人机协作效果的影响也逐渐凸显出来。信任作为人的主观因素,对其影响因素的分析与测量是研究的前提。本文针对该问题,对人与外骨骼系统的信任度影响因素进行了研究,并通过了一种多方法测量人-外骨骼系统信任度的方式对影响因素进行评估:(1)人-外骨骼系统信任度影响因素评估分析:本文在人机信任度影响因素模型的基础上,将外骨骼信任度影响因素分为人类个体差异、外骨骼机器人因素与外界因素三大类。针对现有人机信任度的研究,本文首先对人机信任度评估方法归纳分析,将影响因素对应归类。借助于人机信任度影响三要素模型的思路,从穿戴者自身因素、机器自身因素与外界其他相关影响因素三个角度对信任度的影响因素进行分析。(2)人-外骨骼系统信任度评估方法:针对于信任度的测量,本文通过眼动注视区域变化-身体位姿变化-量表结合的方式对信任度变化进行测量评估。首先通过通过量表,从主观感受的角度对信任度直接进行测量,作为信任的评判标准;再通过眼动仪对穿戴者行走过程中的眼动数据进行收集,并对眼动区域进行划分,通过图像处理判断眼动区域变化,以分析其信任度水平变化;最后通过动作捕捉系统对穿戴者行走时上身动作进行记录,通过躯干角度变化进行信任度变化分析。(3)不同场景下的信任度验证:应用本文提出的评估指标,首先在实验场景下对健康受试者进行实验分析,研究影响信任度变化与影响因素之间的相关性,并讨论信任度变化对协作效率的影响。之后将评估指标应用于临床测试,研究截瘫患者穿戴外骨骼时的信任度变化与协作效率的变化。对信任度的研究,可以帮助研究人员对下肢外骨骼的实际应用有一个更全面的了解,更好地帮助下肢外骨骼机器人优化,以取得更高的人机协作效率。
其他文献
随着机器学习、深度学习研究的深入,越来越多的研究人员开始将工作重心转移到图结构数据学习的探索中,这主要是因为图结构数据是很多现实应用中天然的数据载体,例如社交网络、引文网络以及生物分子。这一研究热潮也导致了大量图学习模型的产生,例如图卷积神经网络、图注意力神经网络以及Graph SAGE。这些图神经网络也被广泛应用于各种实际应用中,例如节点分类、图分类以及网络对齐。虽然现有图学习方法在各类应用中取
互联网不仅深刻改变了人们生活、工作方式,也对许多传统行业产生了巨大的影响。例如,在线广告已经取代电视、报纸、广告牌等传统媒介,成为主要的广告投放模式。特别是结合大数据分析的广告精准定向投放已经被广泛部署到了各种电商、视频、社交网站,为平台方和产品方均带来了巨大的经济收益。作为广告实现精准投放的关键,点击率预测算法获得了来自学术界和工业界的持续关注。本论文对目前已有的各种点击率预测算法展开研究,特别
日常生活中人类通过视觉、听觉等高级感知能力来接收信息,经过大脑的高效处理就可以转换为可以理解的信息。计算机存储和运算的能力惊人,但是并不能像人类一样直接理解接收到的视频、音频信息,而语音是生活中最常见且有效的沟通方式。人们开发出了语音识别技术,目的是让计算机可以“思考”人们所说的话,并将其变换为抽象等级较高的文字符号。得益于计算机性能的提高和深度学习的应用,目前干净语音的识别效果已经达到并超过了人
随着全球老龄化的日趋严重,共病共存现象已经变得越来越普遍,如今成为对老人生命安全的最大威胁因子。由于共病间可能存在某些内在联系,对于治疗和护理都会带来许许多多问题,因此充分了解慢病间的关联性,患者和疾病的关系等多元信息成为解决共病的关键因素,有利于对共病进行综合诊断和科学的护理。本文基于2015年1月1日至2019年12月31日某区域的二级以上医院住院的病案首页数据信息,为了充分挖掘数据信息,了解
随着深度神经网络技术的不断发展,使用深度学习处理医学图像逐步成为医学图像处理研究领域中的热点问题。其中彩色眼底图像是眼科疾病筛查中一类较为常见的医学图像,它主要包括了视盘、视杯、血管和黄斑区等结构,这些结构的形态可以为某些疾病提供重要的诊断依据,如视杯与视盘的直径比值可以用于青光眼的诊断,出血、渗出、微血管异常等可以作为糖尿病的诊断依据,视网膜动脉病变可能是高血压的症状之一。为了准确地判读眼底图像
生物特征识别技术在各种智能终端的身份验证场景中起到越来越重要的作用。在生物特征识别技术中,声纹识别是最热门的技术之一。声纹识别根据应用场景分为声纹辨认和声纹确认,根据语音文本内容分为文本相关和文本无关两类。本文主要研究难度较大且应用范围更广的文本无关声纹识别,采用深度卷积神经网络提取声纹特征,在两个开源的数据集上分别进行声纹辨认和声纹确认的实验,最后使用前后端分离的技术设计并实现了Web端的声纹识
在当今数字化时代,高动态范围(High Dynamic Range,简称HDR)图像可以带给大众更极致的视觉体验。当前HDR图像重建计算可以被归为两大类:基于单帧低动态范围(Low Dynamic Range,简称LDR)图像的HDR图像重建任务及基于多帧LDR图像的HDR图像重建任务。经过调研发现,目前,基于单帧LDR图像的HDR重建由于在亮曝区域存在信息缺失,导致重建结果在该处易出现亮斑和伪影
近年来,深度学习及其相关模型在安防、金融、交通、医疗等众多领域均有应用,是智能化信息化系统的核心技术,而其样本数据关系到深度学习算法的有效性与可用性,再加上深度学习算法具有良好泛化能力的同时也伴随着极度的脆弱性,导致其容易遭受攻击,且后果难以估量。对抗样本的出现对深度学习模型的安全性产生了严重威胁,只有在了解对抗样本的前提下,才能构建出更加稳固的模型。因此,本文立足于深度学习模型的安全性及可用性,
近年来,网络安全攻击行为变得越来越频繁。其中,恶意URL在网络攻击中扮演着重要的角色,如钓鱼网站、身份盗窃、金融诈骗、恶意软件、垃圾邮件等。如何有效地检测恶意URL,成为防范不断增加的网络攻击的关键问题。传统的恶意URL检测方法由于需要大量的特征识别工作,已经无法跟上恶意URL的快速增长速度。利用深度学习技术构建可泛化的模型以实现对URL的识别与分类,已经成为URL检测领域的研究问题。本课题的主要
行人属性作为一种最利于人类理解的生物特征,是智能视觉监控系统中最重要的识别目标之一。行人属性识别旨在从给定的图像中找到目标行人所具有的属性标签,由于能够提供关于人类语义特征的重要信息,该类算法已经越来越多地被集成到安全、商业等领域的实际应用中。本文以基于深度学习的行人属性识别为研究内容,通过对现有算法的分析,发现现有算法倾向于通过在网络中联合全局与局部两个路线以利用人体区域信息取得更好性能,但仍具