Enhancing orthopedics and sports medicine with lower limb exoskeleton control in rehabilitation using deep learning based electromyography signal classification

• Bekzat Amanov ^[1] ; Sayat Ibrayev ^[1]
  1. [1] Joldasbekov Institute of Mechanics and Engineering
• Localización: Retos: nuevas tendencias en educación física, deporte y recreación, ISSN-e 1988-2041, ISSN 1579-1726, Nº. 61, 2024, págs. 616-625
• Idioma: inglés
• Títulos paralelos:
  • Mejorando la ortopedia y medicina deportiva con el control de exoesqueletos de miembros inferiores en rehabilitación utilizando la clasificación de señales de electromiografía basada en aprendizaje profundo
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este artículo de investigación explora la aplicación de técnicas de aprendizaje profundo para mejorar el control de exoesqueletos de extremidades inferiores mediante la clasificación de señales de electromiografía (EMG). Utilizando redes neuronales convolucionales (CNNs) y redes neuronales recurrentes (RNNs), este estudio tiene como objetivo mejorar la precisión y adaptabilidad de los exoesqueletos utilizados en la rehabilitación, particularmente en ortopedia y medicina deportiva. La metodología involucra la recolección de datos EMG de diversos movimientos de piernas, que luego se procesan utilizando técnicas avanzadas de preprocesamiento de señales para mejorar la precisión de la clasificación. Los modelos de aprendizaje profundo son entrenados y validados con estos datos, demostrando mejoras significativas en la detección de movimientos y la respuesta del dispositivo. Los resultados del estudio indican que la integración de modelos de aprendizaje profundo no solo ofrece un control mejorado de los exoesqueletos sino que también asegura interacciones más naturales y eficientes con los usuarios. Esta investigación resalta el potencial de integrar modelos computacionales sofisticados en dispositivos de rehabilitación, allanando el camino para futuros avances que podrían mejorar significativamente los resultados terapéuticos y la calidad de vida de individuos con discapacidades de movilidad. Los hallazgos subrayan la importancia de continuar la innovación en el campo de la tecnología asistiva, sugiriendo caminos para futuras investigaciones en la integración de múltiples sensores y sistemas de control adaptativos.

  • English

    This research paper investigates the application of deep learning techniques for enhancing the control of lower limb exoskeletons through the classification of electromyography (EMG) signals. Utilizing convolutional neural networks (CNNs) and recurrent neural networks (RNNs), this study aims to improve the precision and adaptability of exoskeletons used in rehabilitation, particularly in orthopedics and sports medicine. The methodology involves collecting EMG data from various leg movements, which are then processed using advanced signal preprocessing techniques to enhance classification accuracy. The deep learning models are trained and validated with this data, demonstrating significant improvements in movement detection and device responsiveness. Results from the study indicate that the integration of deep learning models not only offers enhanced control over exoskeletons but also ensures more natural and efficient user interactions. This research highlights the potential of integrating sophisticated computational models into rehabilitative devices, paving the way for future advancements that could significantly improve therapeutic outcomes and quality of life for individuals with mobility impairments. The findings underscore the importance of continued innovation in the field of assistive technology, suggesting pathways for further research in multi-sensor integration and adaptive control systems.