发明内容
本申请提供了一种假肢控制方法、装置、电子设备和存储介质,用以解决现有技术中,用于肌电控制的传感器数量较少时,分类不准确,假肢执行错误率高的问题。
第一方面,本申请实施例提供了一种假肢控制方法,包括:
获取安装所述假肢的肢体的动作数据;
根据所述动作数据,获得所述肢体的动作所属的动作类别的预分类概率;
若判定所述预分类概率大于所述动作类别的预设分类阈值,向所述假肢发送执行所述动作类别的动作指令。
可选的,根据所述动作数据,获得所述肢体的动作所属的动作类别的预分类概率,包括:
对所述动作数据进行预处理,将预处理后的所述动作数据输入预先训练的分类器中;
获取所述分类器根据预处理后的所述动作数据计算得到的所述肢体的动作属于各动作类别的分类概率,并将所述分类概率中的最大值作为所述预分类概率。
可选的,所述分类器的训练过程包括:
获取第一验证样本数据,其中,所述第一验证样本数据包括H个第一模拟动作特征参数和每个所述第一模拟动作特征参数各自的第一动作标签信息,所述H为大于1的整数;
根据线性搜索算法调整所述原始正则判别分析分类器的参数;
将第h个第一验证样本数据输入参数调整后的所述原始正则判别分析分类器,以对所述第一验证样本数据进行分类,得到所述第h个第一验证样本数据的分类结果,其中,h=1、2、3……H;
重复执行所述根据线性搜索算法调整所述原始正则判别分析分类器的参数的步骤,直至所述线性搜索算法将预设取值范围内的参数取值完毕;
根据所述第一验证样本数据各自的分类结果以及所述第一动作标签信息,计算交叉熵损失;
将所述交叉熵损失最小时的所述原始正则判别分析分类器的参数,作为最优参数;
获取训练样本数据,其中,所述训练样本数据包括N个第二模拟动作特征参数和每个所述第二模拟动作特征参数各自的第二动作标签信息,所述N为大于1的整数;
将所述训练样本数据和所述第一验证样本数据输入采用所述最优参数的所述原始正则判别分析分类器,以对所述原始正则判别分析分类器进行训练;
基于十倍交叉验证法,计算所述原始正则判别分析分类器分类结果的准确率,若所述准确率大于预设准确率,将所述原始正则判别分析分类器作为所述分类器。
可选的,所述判定所述预分类概率大于所述动作类别的预设分类阈值之前,还包括:
获取第二验证样本数据,其中,所述验证样本数据包括M个第三模拟动作特征参数和每个所述第三模拟动作特征参数各自的第三动作标签信息,所述M为大于1的整数;
分别将所述M个第三模拟动作特征参数输入所述分类器中,得到所述M个第三模拟动作特征参数各自的属于各动作类别的分类概率;
根据所述M个第三模拟动作特征参数各自的所述第三动作标签信息和所述分类概率,得到各所述动作类别的所述预设分类阈值。
可选的,所述根据所述M个第三模拟动作特征参数各自的所述第三动作标签信息和所述分类概率,得到各所述动作类别的所述预设分类阈值,包括:
根据所述M个所述第三模拟动作特征参数各自的所述第三动作标签信息和所述分类概率,计算M个所述第三模拟动作特征参数在各所述分类概率下的真阳性率和假阳性率;
根据所述真阳性率和假阳性率构建ROC曲线;
获取所述ROC曲线中所述假阳性率小于或等于预设的截止阈值,并且所述真阳性率最大时的坐标点,将所述坐标点对应的所述分类概率作为所述预设分类阈值。
可选的,所述对所述动作数据进行预处理,将预处理后的所述动作数据输入预先训练的分类器中,包括:
对所述动作数据进行滤波,以去除所述运动数据中的干扰;
对滤波后的所述动作数据进行特征提取,得到所述肢体的动作的特征参数;
将所述特征参数输入所述分类器中。
可选的,所述对滤波后的所述动作数据进行特征提取,得到所述肢体动作的特征参数,包括:
基于滑动窗口法对滤波后的所述动作数据进行特征提取,得到所述肢体动作的特征参数,所述特征参数包括:肌电特征参数和惯性测量特征参数。
第二方面,本申请实施例提供了一种假肢控制装置,包括:
获取模块,用于获取安装所述假肢的肢体的动作数据;
计算模块,用于根据所述动作数据,获得所述肢体的动作所属的动作类别的预分类概率;
发送模块,用于在判定所述预分类概率大于所述动作类别的预设分类阈值时,向所述假肢发送执行所述动作类别的动作指令。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的假肢控制方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的假肢控制方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,通过获取安装假肢的肢体的动作数据,根据动作数据计算肢体的动作所属的动作类别的预分类概率,在判定预分类概率大于动作类别的预设分类阈值时,才会向假肢发送执行动作类别的动作指令,从而由假肢根据动作指令执行该动作,如此,即使减少了传感器的数量,分类不准确,由于假肢在预分类概率大于预设分类阈值时的分类动作才会执行,不会出现假肢的无意识运动的情况,提高了假肢执行的准确度,同时,也提高了使用者的信心,降低了义肢排斥的风险。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请一实施例中提供了一种假肢控制方法,该方法可以应用于任意一种形式的电子设备中,如假肢或假肢的服务器中。如图1所示,该假肢控制方法,包括:
步骤101、获取安装假肢的肢体的动作数据。
一些实施例中,动作数据可以通过安装假肢的肢体上的传感器获得。假肢安装在使用者肢体上后,将传感器放置在肢体上,传感器便可以将采集到的动作数据发送至假肢。
其中,传感器的数量可以根据实际情况进行设定,本实施例中,为避免过多的传感器给使用者带来的不便,将传感器的数量设置为2个。传感器可以但不限于采用肌电(electromyography,EMG)-惯性测量(Inertial measurement unit,IMU)传感器。
步骤102、根据动作数据,获得肢体的动作所属的动作类别的预分类概率。
一些实施例中,可以将动作数据输入预先训练的分类器中,由分类器将动作数据映射到分类器中的各分类类别,得到动作数据属于各分类类别的分类概率,进而得到预分类概率,其中,预分类概率为肢体动作所属分类器中各分类类别的概率中的最大值;也可以将动作数据与使用者测试时的动作数据进行比较,从而确定肢体的动作所属的动作类别的预分类概率。
步骤103、若判定预分类概率大于动作类别的预设分类阈值,向假肢发送执行动作类别的动作指令。
一些实施例中,在动作数据所属动作类别的预分类概率大于动作类别的预设分类阈值时,向假肢发送执行动作类别的动作指令,由于通常无意识操作对应的预分类概率小于该预设分类阈值,因此,通过预设分类阈值基本能够屏蔽掉无意识操作,达到防止假肢的无意识操作的目的。
其中,预设分类阈值是根据验证样本数据进行ROC分析选择的,将真阳性率最大,并且保证假阳性率低于截止阈值时的分类概率作为预设分类阈值,使假阳性率最小化,提高分类的准确性。其中,验证样本数据包括模拟动作数据。
可以理解的是,预设分类阈值也可以是人为定义的,定义准则为:预设分类阈值高于无意识操作对应的预分类概率,且小于正常操作对应的预分类概率。
本实施例中,通过获取安装假肢的肢体的动作数据,然后,根据动作数据计算肢体的动作所属的动作类别的预分类概率,并且,在判定预分类概率大于动作类别的预设分类阈值时,才会向假肢发送执行动作类别的动作指令,从而由假肢根据动作指令执行该动作,如此,即使减少了传感器的数量,分类不准确,由于假肢在预分类概率大于预设分类阈值时才会执行分类动作,不会出现假肢的无意识运动的情况,提高了假肢执行的准确度,同时,也提高了使用者的信心,降低了义肢排斥的风险。
本申请另一实施例中提供了一种假肢控制方法,如图2所示,该假肢控制方法,包括:
步骤201、获取安装假肢的肢体的动作数据。
一些实施例中,动作数据可以通过安装假肢的肢体上的传感器获得。例如,肢体进行了抓握操作,传感器便可以将肢体抓握过程中的动作数据采集下来,以使假肢获取到传感器发送的动作数据。
其中,动作数据包括肌电数据和惯性数据,传感器可以但不限于采用EMG-IMU传感器,EMG-IMU传感器可以采集肢体肌电的同时,测量出肢体的惯性数据。
具体的,EMG-IMU传感器包括:EMG传感器和IMU传感器。EMG传感器可以采集使用者肢体的肌电数据,即使用者肢体动作时的肌电信号;IMU传感器可以测量肢体的惯性数据,包括肢体的加速度、角速度及运动方向。
其中,IMU传感器包括三轴加速度计、陀螺仪和磁力仪,三者分别测量肢体的加速度、角速度和方向。
进一步的,传感器与假肢的连接方式可以为有线连接,也可以为无线连接。为便于使用者操作,避免线缆在操作过程中产生干扰,优选的,传感器与假肢之间采用无线连接方式。
步骤202、对动作数据进行预处理,将预处理后的动作数据输入预先训练的分类器中。
由于获取的动作数据中,包括了干扰数据,并且动作数据中并不是所有的数据均为对分类有用的数据,因此需要通过预处理将对分类有用的数据提取出来。
具体的,对动作数据进行预处理包括以下步骤:
步骤301、对动作数据进行滤波,以去除动作数据中的干扰。
一些实施例中,动作数据中包括电磁干扰和运动干扰。本实施例中,可以采用Hampel滤波器抑制动作数据中的电磁干扰。采用4阶巴特沃思带通滤波器,将频率范围在10HZ~500HZ外的动作数据滤除,以将动作数据中的运动干扰数据去除。可以理解的是,将运动干扰数据滤波去除后,运动干扰处的采样点便会空缺,进一步的,采用线性插值的方式,对滤波后的采样点进行上采样,以确保采样点不失真。
步骤302、对滤波后的动作数据进行特征提取,得到肢体的动作的特征参数。
一些实施例中,可以采用滑动窗口法对滤波后的动作数据进行特征提取,得到肢体动作的特征参数。基于上述相关实施例,动作数据包括肌电数据(也称为肌电信号)和惯性数据,相应的提取的特征参数包括肌电特征参数和惯性测量特征参数。
其中,肌电特征参数包括波形长度、四阶自回归系数、对数方差和威尔逊幅度。
具体的,波形长度WL可以但不限于采取以下方式提取:
其中,K表示时间窗内样本个数,Sn表示第n个样本点的肌电信号。
波形长度为信号长度的简单累加,反映了肌电信号波形的复杂度,也反映了肌电信号幅值、频率以及持续时间等共同作用的效果。
四阶自回归(Autoregressive model,AR)系数可以但不限于采取以下方式提取:
其中,Sn表示第n个样本点的肌电数据,ai表示第i阶AR系数,p表示自回归模型阶数,w(n)表示随机白噪声。
自回归模型(Autoregressive model,AR)是一种常用的时间序列模型,上述公式中,通过对p依次取1、2、3、4,代入上述公式,便可以得到四阶自回归系数。
对数方差可以但不限于采取以下方式提取:
其中,E表示中间变量,K表示时间窗内样本个数,xn表示时间窗内的第n个肌电数据,STD_LN表示对数方差。
威利森幅值(Willison Amplitude,WAMP)可以但不限于采取以下方式提取:
其中,K表示时间窗内样本个数,ε表示预定义阈值,xi表示时间窗内第i个样本点的EMG信号幅度,WAMP表示计算得到的威利森幅值,f(z)表示自定义公式。
WAMP是肌电信号的频率信息的度量,用于统计两个相邻段之间的EMG信号幅度之间的差异超过预定义阈值的次数,并且与运动单元动作点位(MUAP)和肌肉收缩力有关。
进一步的,根据滑动窗口法提取惯性测量特征参数时,可以将处理窗口内的平均值作为惯性测量特征参数,具体包括三轴的加速度、角速度和磁场,共9个特征参数。
基于上述相关实施例,对滤波后的动作数据进行特征提取后,共得到波形长度、威尔逊幅度、对数方差和四阶自回归系数,共七个肌电特征参数,以及三轴的加速度、角速度和磁场,共九个惯性测量特征参数。
通过上述相关实施例对动作数据进行滤波和特征提取后,便可以将提取的特征参数输入到分类器中,以通过分类器根据特征参数对动作数据进行分类。
进一步的,分类器的训练过程包括:
步骤401、获取第一验证样本数据,其中,第一验证样本数据包括H个第一模拟动作特征参数和每个第一模拟动作特征参数各自的第一动作标签信息,H为大于1的整数。
一些实施例中,第一验证样本数据可以是使用者在根据提示的动作要求,进行相应动作时采集的。具体的,以假肢为假肢手为例,可以在相应的电脑上,显示出使用者需要执行的动作,如:抓握、横向抓握、三指抓握、手部张开和指动作,使用者根据提示执行相应动作后,传感器便可采集到相应的动作数据。
可以理解的是,在使用者执行过程中,可以在一个动作执行完成后,休息一段时间,以便更好的将上次动作数据与本次动作数据区分开。另外,使用者在执行过程中,可以以中等速度进行,避免过快或过慢操作时,动作数据的不准确。
其中,各动作可以但不限于执行10次,动作执行时间可以为5秒,休息时间可以为3秒。
进一步的,上述动作采集完毕后,将采集的动作数据通过步骤301至步骤302进行预处理,以得到第一模拟动作特征参数。
步骤402、根据线性搜索算法基于预设取值范围调整原始正则判别分析分类器的参数。
一些实施例中,原始正则判别分析(RDA)分类器共有两个参数(gamma和lambda),两个参数数值都在0和1之间。为了调整正则化超参数,本实施例中,采用在[0,1]范围内步长为0.025的线性搜索,逐步调整两个参数的值。其中,步长值可以根据实际情况进行设置,此处不做限定。可以理解的是,为了得到更加准确的结果,步长值可以设置更小的值。
步骤403、将第h个第一验证样本数据输入参数调整后的原始正则判别分析分类器,以对第一验证样本数据进行分类,得到第h个第一验证样本数据的分类结果,其中,h=1、2、3……H。
步骤404、判断线性搜索算法是否将预设取值范围内的参数取值完毕,若是,执行步骤405,否则,执行步骤402。
步骤405、根据第一验证样本数据各自的分类结果以及第一动作标签信息,计算交叉熵损失,并将交叉熵损失最小时的原始正则判别分析分类器的参数,作为最优参数。
一些实施例中,原始RDA分类器参数调整后,可以是将第一验证样本数据中的各第一模拟动作特征参数,输入到该参数下的原始RDA分类器得到各分类结果,并计算该参数下的交叉熵损失。然后将各参数下的交叉熵损失进行比较,得到交叉熵损失最小值,并将该交叉熵损失最小值对应的参数,作为最优参数。通过调整超参数以最小化交叉熵损失,可以确保所选择的RDA分类器的参数配置相对于后验概率估计的质量是最优的,在后续的基于预分类概率和预设分类阈值控制假肢动作时,起到重要的作用。
其中,使用多类交叉熵损失来评估译码性能。交叉熵损失与离散随机变量的经验分布和估计分布之间的Kullback-Leibler(KL)散度密切相关,KL散度可以选择最优的参数。
具体的,交叉熵损失可以通过以下过程得到,定义y∈{1,2,3…C}表示离散目标变量,对维度为N*C的Y矩阵进行二进制编码,具体如下:
其中,C为分类器的分类类别,进而,多类别的交叉熵损失函数,定义为:
式中,表示样本j属于C类的后验概率。可以理解的是,在理想情况下,当训练样本数据中所有样本正确分类且后验概率恰好为1时,交叉熵损失等于0。
步骤406、获取训练样本数据,其中,训练样本数据包括N个第二模拟动作特征参数和每个第二模拟动作特征参数各自的第二动作标签信息,N为大于1的整数;
一些实施例中,训练样本数据的获取方法可以参照上述步骤401中,第一验证样本数据的获取方式,此处不再赘述。
步骤407、将训练样本数据和第一验证样本数据输入采用最优参数的原始正则判别分析分类器,基于十倍交叉验证法,计算原始正则判别分析分类器分类结果的准确率,若准确率大于预设准确率,将原始正则判别分析分类器作为分类器。
一些实施例中,可以采用十倍交叉验证法对训练后的分类器的分类性能进行评估。具体的,可以将训练样本数据和第一验证样本数据进行合并作为合并样本数据,将合并样本数据分为10份,轮流将其中9份作为训练数据,1份作为测试数据,进行试验,每次试验都会得出相应的准确率(或差错率),10次的结果的准确率(或差错率)的平均值作为对算法精度的估计,在平均准确率大于预设准确率时,将原始正则判别分析分类器作为分类器。可以理解的是,可以进行多次十倍交叉验证法(例如10次十倍交叉验证法),再求其均值,作为对算法准确性的估计。
步骤203、获取分类器根据预处理后的动作数据计算得到的肢体的动作属于各动作类别的分类概率,并将分类概率中的最大值作为预分类概率。
一些实施例中,将动作数据预处理后得到的特征参数,输入到分类器中后,分类器便会将特征参数映射到分类器的各分类类别中,得到该动作数据所属分类器中各分类类别的分类概率,并将分类概率中的最大值作为预分类概率。虽然预分类概率为分类概率中的最大值,但并不代表该预分类概率所对应的分类类别即为该动作数据的动作类别,在各分类概率之间差值较小时,表明分类器分类的结果并不准确,其可能是使用者的无意识动作,此时若假肢执行了该预分类概率对应的分类类别,便会引起假肢的动作,使使用者产生挫败感。
步骤204、获取预设分类阈值。
基于上述相关实施例,为避免假肢的无意义动作,通过设置预分类阈值,在预设分类阈值大于预分类概率时,在向假肢发送动作执行指令,提高假肢的执行准确度。
具体的,获取预设分类阈值的过程包括:
步骤501、获取第二验证样本数据,其中,第二验证样本数据包括M个第三模拟动作特征参数和每个第三模拟动作特征参数各自的第三动作标签信息,M为大于1的整数;
一些实施例中,与第一验证样本数据的获取方式相同,第二验证样本数据的获取方式具体可参照上述相关实施例,此处不再赘述。
步骤502、分别将M个第三模拟动作特征参数输入分类器中,得到M个第三模拟动作特征参数各自所属的动作类别的分类概率;
步骤503、根据M个第三模拟动作特征参数各自的第三动作标签信息和分类概率,得到各动作类别的预设分类阈值。
可以理解的是,第二验证样本数据输入分类器中得到分类概率的过程,可以参照上述相关实施例,此处不再赘述。
具体的,步骤503包括:
步骤601、根据M个第三模拟动作特征参数各自的第三动作标签信息和分类概率,计算M个第三模拟动作特征参数在各分类概率下的真阳性率和假阳性率。
基于上述相关实施例,第二验证样本数据中第三模拟动作特征参数个数为M,分类器的分类类别为L,在分类器计算出每个第三模拟动作特征参数在各分类类别在的分类概率后,便可以得到M*L的概率矩阵P,其中,每一行表示各第三模拟动作特征参数在各分类类别在的分类概率。相应地,将每个第三模拟动作特征参数转换为类似二进制的形式,每个位置用来标记是否属于对应的类别(根据该模拟动作特征参数对应的第三标签信息确定),由此也可以获得一个M*L的标签矩阵Q。
基于此,每种类别下,都可以得到M个第三模拟动作特征参数为该类别的分类概率(矩阵P中的列)。所以,根据概率矩阵P和标签矩阵Q中对应的每一列,便可以计算出各个分类概率下的假阳性率(FPR)和真阳性率(TPR)。
可以理解的是,第二验证样本数据可以为上述的第一验证样本数据,也可以为重新获取的验证样本数据。
步骤602、根据真阳性率和假阳性率构建ROC曲线。
一些实施例中,根据上述的真阳性率和假阳性率,绘制出一条ROC曲线。这样总共可以绘制出L条ROC曲线。最后对L条ROC曲线取平均,即可得到最终构建的ROC曲线。
步骤603、获取ROC曲线中假阳性率小于或等于预设的截止阈值,并且真阳性率最大时的坐标点,将坐标点对应的分类概率作为预设分类阈值。
一些实施例中,在ROC曲线中,TPR决定了一个分类器在所有阳性样本中能正确区分的阳性案例的性能,而FPR是决定了在所有阴性的样本中有多少假阳性的判断。因此,在FPR=0,TPR=1时,表示分类器可以将所有的样本都正确分类。本实施例中,在FPR较高时,会使假肢在需要执行动作A时,由于分类不准确而执行动作B,导致了假肢执行错误。
因此,本实施例中,选择假阳性率小于或等于预设的截止阈值,并且真阳性率最大时的坐标点,并将坐标点对应的分类概率作为预设分类阈值。将TPR的最大化的同时,使FPR最小化低于截止阈值,保证了分类准确率。
其中,截止阈值可以在试点试验中,根据实际情况设定。
步骤205、判定预分类概率是否大于动作类别的预设分类阈值,若是,执行步骤206;若否,执行步骤207。
步骤206、向假肢发送执行动作类别的动作指令。
一些实施例中,将预分类概率与预设分类阈值进行比较,在预分类概率大于预设分类阈值时,才向假肢发送执行动作类别的动作指令,可以避免假肢的无意义操作,
步骤207、向假肢发送保持原有状态的指令。
一些实施例中,在预分类概率小于预设分类阈值时,表明预分类概率对应的假阳性率超出了截止阈值,此时,可能会出现错误分类的情况,向假肢发送保持原有状态的指令,使假肢维持现状,可以避免假肢的误操作。
本申请中,通过获取安装假肢的肢体的动作数据,并对动作数据进行滤波和特征提取,将提取的特征参数输入到分类器中,通过分类器确定出肢体的动作所属的动作类别的预分类概率,并且,对通过第二验证样本数据进行ROC分析,选择的预设分类阈值使真阳性率最大化,同时限制假阳性率低于截止阈值,使假阳性率激活的较低,降低了假肢被意外激活的概率。另外,在判定预分类概率大于动作类别的预设分类阈值时,才会向假肢发送执行动作类别的动作指令,从而由假肢根据动作指令执行该动作,如此,即使减少了传感器的数量,分类不准确,由于假肢在预分类概率大于预设分类阈值时的分类动作才会执行,不会出现假肢的无意识运动的情况,提高了假肢执行的准确度,同时,也提高了使用者的信心,降低了义肢排斥的风险。
基于同一构思,本申请实施例中提供了一种假肢控制装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图7所示,该装置主要包括:
获取模块701,用于获取安装假肢的肢体的动作数据;
计算模块702,用于根据动作数据计算肢体的动作所属的动作类别的预分类概率;
发送模块703,用于在判定预分类概率大于动作类别的预设分类阈值时,向假肢发送执行动作类别的动作指令。
基于同一构思,本申请实施例中提供了一种电子设备,如图8所示,该电子设备主要包括:处理器801、通信接口802、存储器803和通信总线804,其中,处理器801、通信接口802和存储器803通过通信总线804完成相互间的通信。其中,存储器803中存储有可被至处理器801执行的程序,处理器801执行存储器803中存储的程序,实现如下步骤:
获取安装假肢的肢体的动作数据;
根据动作数据计算肢体的动作所属的动作类别的预分类概率;
若判定预分类概率大于动作类别的预设分类阈值,向假肢发送执行动作类别的动作指令。
上述电子设备中提到的通信总线804可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线804可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口802用于上述电子设备与其他设备之间的通信。
存储器803可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器801的存储装置。
上述的处理器801可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的假肢控制方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。