Detecting human motion and predicting human intentions by analyzing body signals are challenging but fundamental steps for the implementation of applications presenting human–robot interaction in different contexts, such as robotic rehabilitation in clinical environments, or collaborative robots in industrial fields. Machine learning techniques (MLT) can face the limit of small data amounts, typical of this kind of applications. This paper studies the illustrative case of the reaching movement in 10 healthy subjects and 21 post-stroke patients, comparing the performance of linear discriminant analysis (LDA) and random forest (RF) in: (i) predicting the subject’s intention of moving towards a specific direction among a set of possible choices, (ii) detecting if the subject is moving according to a healthy or pathological pattern, and in the case of discriminating the damage location (left or right hemisphere). Data were captured with wearable electromagnetic sensors, and a sub-section of the acquired signals was required for the analyses. The possibility of detecting with which arm (left or right hand) the motion was performed, and the sensitivity of the MLT to variations in the length of the signal sub-section were also evaluated. LDA and RF prediction accuracies were compared: Accuracy improves when only healthy subjects or longer signals portions are considered up to 11% and at least 10%, respectively. RF reveals better estimation performance both as intention predictor (on average 59.91% versus the 62.19% of LDA), and health condition detector (over 90% in all the tests).

中文翻译：

---

使用机器学习技术完成任务中的意图预测和人类健康状况检测

通过分析身体信号来检测人体运动和预测人体意图是具有挑战性的，但对于在不同环境中呈现人机交互的应用程序（例如临床环境中的机器人康复或工业领域中的协作机器人）的实施来说，这是基本步骤。机器学习技术 (MLT) 可能面临数据量小的限制，这是此类应用程序的典型特征。本文研究了 10 名健康受试者和 21 名中风后患者的伸展运动的说明性案例，比较了线性判别分析 (LDA) 和随机森林 (RF) 在以下方面的性能：一组可能的选择中的特定方向，（ii）检测对象是否根据健康或病理模式移动，在区分损伤位置（左半球或右半球）的情况下。数据是用可穿戴电磁传感器捕获的，分析需要获取信号的一部分。还评估了用哪只手臂（左手或右手）执行运动的可能性，以及 MLT 对信号子部分长度变化的敏感性。比较了 LDA 和 RF 预测精度：当仅考虑健康受试者或更长的信号部分时，精度分别提高了 11% 和至少 10%。RF 在意图预测器（平均 59.91% 与 LDA 的 62.19%）和健康状况检测器（在所有测试中超过 90%）都显示出更好的估计性能。数据是用可穿戴电磁传感器捕获的，分析需要获取信号的一部分。还评估了用哪只手臂（左手或右手）执行运动的可能性，以及 MLT 对信号子部分长度变化的敏感性。比较了 LDA 和 RF 预测精度：当仅考虑健康受试者或更长的信号部分时，精度分别提高了 11% 和至少 10%。RF 在意图预测器（平均 59.91% 与 LDA 的 62.19%）和健康状况检测器（在所有测试中超过 90%）都显示出更好的估计性能。数据是用可穿戴电磁传感器捕获的，分析需要获取信号的一部分。还评估了用哪只手臂（左手或右手）执行运动的可能性，以及 MLT 对信号子部分长度变化的敏感性。比较了 LDA 和 RF 预测精度：当仅考虑健康受试者或更长的信号部分时，精度分别提高了 11% 和至少 10%。RF 在意图预测器（平均 59.91% 与 LDA 的 62.19%）和健康状况检测器（在所有测试中超过 90%）都显示出更好的估计性能。还评估了用哪只手臂（左手或右手）执行运动的可能性，以及 MLT 对信号子部分长度变化的敏感性。比较了 LDA 和 RF 预测精度：当仅考虑健康受试者或更长的信号部分时，精度分别提高了 11% 和至少 10%。RF 在意图预测器（平均 59.91% 与 LDA 的 62.19%）和健康状况检测器（在所有测试中超过 90%）都显示出更好的估计性能。还评估了用哪只手臂（左手或右手）执行运动的可能性，以及 MLT 对信号子部分长度变化的敏感性。比较了 LDA 和 RF 预测精度：当仅考虑健康受试者或更长的信号部分时，精度分别提高了 11% 和至少 10%。RF 在意图预测器（平均 59.91% 与 LDA 的 62.19%）和健康状况检测器（在所有测试中超过 90%）都显示出更好的估计性能。