CN112926390A - 一种步态运动模式识别方法和模型建立方法 - Google Patents
一种步态运动模式识别方法和模型建立方法 Download PDFInfo
- Publication number
- CN112926390A CN112926390A CN202110100254.0A CN202110100254A CN112926390A CN 112926390 A CN112926390 A CN 112926390A CN 202110100254 A CN202110100254 A CN 202110100254A CN 112926390 A CN112926390 A CN 112926390A
- Authority
- CN
- China
- Prior art keywords
- model
- motion
- lower limb
- gait
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005021 gait Effects 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 50
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 119
- 238000005457 optimization Methods 0.000 claims abstract description 86
- 210000000544 articulatio talocruralis Anatomy 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000003909 pattern recognition Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 21
- 238000012567 pattern recognition method Methods 0.000 claims description 9
- 230000003183 myoelectrical effect Effects 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000003414 extremity Anatomy 0.000 description 16
- 230000001174 ascending effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种步态运动模式识别方法和模型建立方法。其中，模型建立方法包括：基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型；以踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，同时对第一步态运动模型和第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型；基于目标优化算法对第一目标训练模型和第二目标训练模型进行优化，得到第一优化模型和第二优化模型；基于适应度函数，确定第一优化模型和第二优化模型对应的第一权值和第二权值；基于第一权值和第二权值，确定步态运动模式识别模型。通过实施本发明，提高了小腿假肢踝关节的步态运动模式识别精度。
Description
技术领域
本发明涉及假肢控制技术领域，具体涉及一种步态运动模式识别方法和模型建立方法。
背景技术
目前市场上应用于下肢残疾者的大多数踝关节假肢分为被动型和主动型。被动踝关节假肢结构简单、成本较低，主要利用假肢的机械结构和各类储能元件来实现行走，难以根据地形的不同提供不同的机械动力，下肢残疾者在穿戴此类踝关节假肢时需要消耗较多能量。主动踝关节假肢虽然可以通过生理肌电信号或者物理运动信息获取人体运动意图，但是其主要是为下肢残疾者提供蹬离期的推动力，而该推动力通常是固定的值。然而，对于不同的地形需要不同的推动力，即主动踝关节假肢亦难以识别下肢残疾者的当前运动模式从而提供合适的推动力。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的踝关节假肢难以识别运动模式而难以提供合适推动力的缺陷，从而提供一种步态运动模式识别方法和模型建立方法。
根据第一方面，本发明实施例提供了一种步态运动模式识别模型的建立方法，包括：基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，所述第一步态运动模型和所述第二步态运动模型均为分类模型；以所述踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，同时对所述第一步态运动模型和所述第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型；基于目标优化算法对所述第一目标训练模型和所述第二目标训练模型进行优化，得到第一优化模型和第二优化模型；基于适应度函数，确定所述第一优化模型和所述第二优化模型对应的第一权值和第二权值；基于所述第一权值和所述第二权值，确定步态运动模式识别模型。
结合第一方面，在第一方面的第一实施方式中，所述适应度函数的表达式如下：
ω1+ω2＝1
其中，fitness为适应度函数值；N为样本个数，ω1为第一优化模型的权值，ω2为第二优化模型的权值，
为第一优化模型的预测值，
为第二优化模型的预测值，y为真实值。
结合第一方面第一实施方式，在第一方面的第二实施方式中，所述第一目标算法为梯度提升决策树算法，所述第二目标算法为最近邻分类算法，所述目标优化算法为粒子群算法。
根据第二方面，本发明实施例提供了一种步态运动模式识别方法，用于采用第一方面或第一方面任一实施方式所述的方法建立的所述的步态运动模式识别模型，包括：获取踝关节假肢对应的下肢运动状态数据；所述下肢运动状态数据包括肌电数据、惯性运动数据和足底压力数据中的一种或多种；基于所述下肢运动状态数据和所述步态运动模式识别模型，确定所述下肢运动状态数据对应的下肢步态运动模式。
结合第二方面，在第二方面第一实施方式中，基于所述下肢运动状态数据和所述步态运动识别模型，确定所述下肢运动状态数据对应的下肢步态运动模式，包括：将所述下肢运动状态数据输入至所述步态运动识别模型，得到所述的下肢运动状态对应的下肢步态运动数据；基于所述下肢步态运动数据，确定所述下肢步态运动模式。
结合第二方面或第二方面第一实施方式，在第二方面第二实施方式中，所述方法还包括：基于所述下肢运动状态数据，确定与所述下肢步态运动模式对应的运动状态，所述运动状态包括假肢支撑状态和假肢摆动状态。
根据第三方面，本发明实施例提供了一种步态运动模式识别模型的建立装置，包括：建立模块，用于基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，所述第一步态运动模型和所述第二步态运动模型均为分类模型；训练模块，用于以所述踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，同时对所述第一步态运动模型和所述第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型；优化模块，用于基于目标优化算法对所述第一目标训练模型和所述第二目标训练模型进行优化，得到第一优化模型和第二优化模型；第一计算模块，用于基于适应度函数，确定所述第一优化模型和所述第二优化模型对应的第一权值和第二权值；第一确定模块，用于基于所述第一权值和所述第二权值，确定步态运动模式识别模型。
根据第四方面，本发明实施例提供了一种步态运动模式识别装置，用于第三方面所述的步态运动模式识别模型的建立装置，包括：获取模块，用于获取踝关节假肢对应的下肢运动状态数据；所述下肢运动状态数据包括肌电数据、惯性运动数据和足底压力数据中的一种或多种；第二确定模块，用于基于所述下肢运动状态数据和所述步态运动识别模型，确定所述下肢运动状态数据对应的下肢步态运动模式。
根据第五方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式所述的步态运动模式识别模型的建立方法或第二方面或第二方面任一实施方式所述的步态运动模式识别方法。
根据第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面或第一方面任一实施方式所述的步态运动模式识别模型的建立方法或第二方面或第二方面任一实施方式所述的步态运动模式识别方法。
本发明技术方案，具有如下优点：
1.本发明提供的步态运动模式识别模型的建立方法、装置及设备，通过基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，其中，第一步态运动模型和第二步态运动模型均为分类模型，以踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，同时对第一步态运动模型和第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型，基于目标优化算法对第一目标训练模型和第二目标训练模型进行优化，得到第一优化模型和第二优化模型，基于适应度函数，确定第一优化模型和第二优化模型对应的第一权值和第二权值，基于第一权值和第二权值，确定运动状态识别模型。该方法基于分类模型的融合思想，通过适应度函数更新第一优化模型的第一权值和第二优化模型的第二权值，将不同的分类模型融合为步态运动模式识别模型，实现踝关节假肢的步态运动模式的准确识别，从而控制踝关节假肢为人体运动提供合适的推动力。
2.本发明提供的步态运动模式识别方法、装置及设备，通过获取踝关节假肢对应的下肢运动状态数据，基于下肢运动状态数据和步态运动模式识别模型，确定下肢运动数据对应的下肢步态运动模式。其中，下肢运动状态数据包括肌电数据、惯性运动数据和足底压力传感器数据中的一种或多种。该方法通过融合了不同分类的步态运动模式识别模型，根据采集到的肌电数据、惯性运动数据和足底压力数据中的一种或多种确定踝关节假肢所处的运动模式，避免了单一分类模型对运动模式识别的不准确而影响踝关节假肢的控制，提高了踝关节假肢运动模式的识别准确性以及踝关节假肢的控制准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为实施例中步态运动模式识别模型的建立方法的流程图；
图2为实施例中步态运动模式识别方法的流程图；
图3为实施例中步态运动模式识别方法的另一流程图；
图4为实施例中设置在踝关节假肢上的传感器位置示意图；
图5为实施例中步态运动模式识别模型的建立装置的原理框图；
图6为实施例中步态运动模式识别装置的原理框图；
图7为实施例中电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种步态运动模式识别模型的建立方法，应用于假肢控制领域中踝关节假肢运动模式模型的建立，有效识别踝关节假肢的运动模式，如图1所示，该方法包括：
S11，基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，第一步态运动模型和第二步态运动模型均为分类模型。
示例性地，第一目标算法和第二目标算法均为建立踝关节假肢的步态运动模式识别模型的分类算法，第一目标算法和第二目标算法为不同的分类算法。具体地，第一目标算法可以为梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法，第二目标算法可以为最近邻分类(K-nearest neighbors，KNN)算法，当然也可以是第一目标算法为最近邻分类(K-nearest neighbors，KNN)算法，第二目标算法为梯度提升决策树(GradientBoosting Decision Tree，GBDT)算法。此处对第一目标算法和第二目标算法不作限定，本领域技术人员可以根据实际需要确定。以第一目标算法为GBDT算法，第二目标算法为KNN算法为例，建立第一目标算法对应的第一运动状态训练模型以及第二目标算法对应的第二运动状态训练模型。
S12，以踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，分别对第一步态运动模型和第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型。
示例性地，踝关节假肢对应的下肢运动状态参数的运动状态参数为采集到的小腿假肢穿戴者在运动中的下肢运动状态参数，该运动参数可以包括肌电信号、惯性运动信号和足底压力信号中的一种或多种。本申请对踝关节假肢对应的下肢运动状态参数不作限定，本领域技术人员可以根据实际需要对该下肢运动状态参数进行确定。以下肢运动状态参数对应的训练数据集为D＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中，xi为输入数据，yi为标签；损失函数为L(y,f(x))＝(y-f(x))2，其中，x为输入数据，y为标签；f(x)为分类回归树；N为样本训练总数为例，对第一步态运动模型进行训练的过程如下：
步骤1，初始化弱学习器c，其中，c是一个常数，其值为y的均值，f0(x)为初始化分类回归树。初始化弱学习器c的表达式如下：
步骤2：计算负梯度，表达式如下：
其中，m为迭代次数，m＝1,2,…,M，i＝1,2,…,N。此处对迭代总次数M 和样本训练总数N不作限定，本领域技术人员可以根据实际需要确定。
将步骤2所得的负梯度作为样本值，生成新的训练数据 {(x1,rm1),(x2,rm2),…,(xN,rmN)}，建立新的分类回归树fm(x)，该树的叶节点区域Rjm，j＝1,2,…,J，其中J为分类回归树叶节点个数。其中，叶节点是根据训练数据特征进行划分的，特征的区分度越大，叶节点就会少。此处对叶节点个数不作限定，本领域技术人员可以根据实际需要确定。
对j＝1,2,…,J，计算最优拟合值cmj：
基于最优拟合值cmj更新学习器，得到强学习器：
步骤3：得到最终的学习器，即第一目标训练模型，表达式如下：
以下肢运动状态参数对应的训练数据集为D＝(x1,x2,…,xn)，其中，xn是m 维列向量为例，在训练样本集中寻找测试样本T的K个近邻，对第二步态运动模型进行训练的过程如下：
步骤1：计算特征值和特征向量。根据训练数据集的数据样本，计算样本的特征向量pi＝(pi,1,pi,2,…,pi,m)为：
其中，fi,j是在样本出现的频次，N是样本数，nj为含有特征值的样本数。训练样本集合X的特征向量P＝(p1,p2,…,pm)。
步骤2：计算样本xi与xj的相似度sim(pi,pj)，计算公式如下：
在训练样本D中，找出附近K个与某一个测试样本y距离最近训练样本S＝(x1,x2,…,xk)，其相应特征向量P＝(p1,p2,…,pm)，样本序列满足sim(p,pi)≤sim(p,pi+1)，且样本D和集合S中各训练样本的相似度之和为：
步骤3：计算两个样本间的距离，计算公式如下：
步骤4：确定测试样本D的最近邻类别，即第二目标训练模型，表达式如下：
score(p，C)＝∑sim(p，pi)u(pi，Ci)
其中，u(pi，Ci)表示样本特征向量pi关于样本类别Ci的类别属性，即：
S13，基于目标优化算法对第一目标训练模型和第二目标训练模型进行优化，得到第一优化模型和第二优化模型。
示例性地，目标优化算法为全局寻优算法，例如粒子群(Particle SwarmOptimization，PSO)算法。目标优化算法用于对第一目标训练模型和第二目标训练模型进行最优参数选择，本申请对目标优化算法不作限定，本领域技术人员可以根据实际需要确定。以PSO算法为例，通过PSO算法对目标训练模型GBDT和目标训练模型KNN进行优化，得到优化后的优化模型 GBDT和优化模型KNN。具体地，优化目标训练模型GBDT和目标训练模型KNN的步骤如下：
1)初始化种群大小P、迭代时间T、粒子最优位置pgd和最优个体pid、权重因子和学习因子、GBDT参数以及KNN参数。
2)对目标训练模型GBDT和KNN进行交叉验证计算适应度函数值。对目标训练模型GBDT和KNN均采用5折交叉验证，以交叉验证的平均得分作为适应度函数值。
3)根据适应度更新粒子最优位置pgd和最优个体pid，获得新的种群。
4)进行变异等运算，得到优化模型GBDT和KNN的最优参数，确定最优参数组合。
S14，基于适应度函数，确定第一优化模型和第二优化模型对应的第一权值和第二权值。
示例性地，适应度函数为真实值与预测值的均方误差。通过设置权值参数的范围、PSO算法的迭代次数、初始种群的数量，然后随机生成P组初始值，若不满足停止条件，则将种群中的每个粒子作为组合模型的权值对训练集进行预测，能够计算得到真实值与预测值的均方误差，并以权值之和等于1为约束条件，即可确定第一优化模型和第二优化模型对应的第一权值和第二权值。具体地，适应度函数值的计算公式如下：
ω1+ω2＝1
其中，fitness为适应度函数值；N为样本个数，ω1为第一优化模型的权值，ω2为第二优化模型的权值，
为第一优化模型的预测值，
为第二优化模型的预测值，y为真实值。
S15，基于第一权值和第二权值，确定步态运动模式识别模型。
示例性地，对参数优化后的优化模型GBDT和KNN在训练集上进行训练，构建GBDT_KNN模型。由适应度函数值来更新粒子最优位置pgd和最优个体pid，得到新的种群，再进行变异操作，选择最优的第一权值和第二权值作为最终结果，得到组合模型GBDT_KNN的权值组合，建立新的 GBDT_KNN模型，即为步态运动模式识别模型。
本实施例提供的步态运动模式识别模型的建立方法，通过基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，其中，第一步态运动模型和第二步态运动模型均为分类模型，以踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，同时对第一步态运动模型和第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型，基于目标优化算法对第一目标训练模型和第二目标训练模型进行优化，得到第一优化模型和第二优化模型，基于适应度函数，确定第一优化模型和第二优化模型对应的第一权值和第二权值，基于第一权值和第二权值，确定步态运动模式识别模型。该方法基于分类模型的融合思想，通过适应度函数更新第一优化模型的第一权值和第二优化模型的第二权值，将不同的分类模型融合为步态运动模式识别模型，实现踝关节假肢的步态运动模式的准确识别，从而控制踝关节假肢为人体运动提供合适的推动力。
实施例2
本实施例提供一种步态运动模式识别方法，应用于上述实施例所述步态运动模式识别模型，以识别踝关节假肢的当前运动模式，控制踝关节假肢提供合适的推动力。如图2所示，该方法包括：
S21，获取踝关节假肢对应的下肢运动状态数据。
示例性地，下肢运动状态数据包括肌电数据、惯性运动数据和足底压力数据中的一种或多种。分别采集不同运动模式的健侧运动状态数据与患侧运动状态数据，具体地，肌电数据可以通过设置的肌电信号传感器获取，惯性运动数据可以通过设置的惯性传感器获取，足底压力数据可以通过设置在足底的足底压力传感器获取。各个传感器的采集位置均基于为患侧提供完整肌肉以使肌肉和肌腱之间不存在缺损这一目的进行设置。对于单侧小腿截肢者，肌电信号的采集位置为健侧腿和截肢侧大腿上的完整肌肉。肌电信号传感器、惯性传感器以及足底压力传感器的设置位置如图4所示。
S22，基于下肢运动状态数据和步态运动模式识别模型，确定下肢运动状态数据对应的下肢步态运动模式。
示例性地，为了保证所采集运动数据的准确度，分别对健侧运动状态数据与患侧运动状态数据进行预处理，例如数据滤波处理和数据降噪处理等，本申请对数据预处理方式不作具体限定，本领域技术人员可以根据实际需要选择不同的数据预处理方式，只要保证获取的运动状态数据能够准确反映健侧和患侧的运动状态即可。
对经过预处理的下肢运动状态数据进行时域特征提取、频域特征提取和时频域特征提取，以确定不同运动模式所对应的运动状态数据特征。其中，常用时域特征包括：均值、方差、过零点数、均方根、绝对平均值、波形长度；常用频域特征：峰值频率、平均功率频率、中值频率；常用时频域特征：小波包系数最大值、奇异值、方差和能量。具体地，根据获取的运动状态数据分别计算时域、频域和时频域的每个特征对应的平均值和方差，绘制特征分布散点图。对不同的特征进行比对分析，筛选出区分度明显的特征数据。将下肢运动状态数据以及从运动状态数据中筛选出的特征数据输入至步态运动模式识别模型，输出下肢运动状态数据对应的下肢步态运动模式。
具体地，步态运动模式为上斜坡、下斜坡、上楼梯、下楼梯和平地步行，下肢运动状态数据与步态运动模式是一一对应的。例如，若上斜坡、下斜坡、上楼梯、下楼梯和平地步行所对应的下肢运动状态数据分别为P1、 P2、P3、P4和P5。当输入步态运动模式识别模型的下肢运动状态数据为P1 时，可以确定穿戴踝关节假肢者的当前步态运动为上斜坡；当输入步态运动模式识别模型的下肢运动状态数据为P2时，可以确定当前步态运动模式为下斜坡；当输入步态运动模式识别模型的下肢运动状态数据为P3时，可以确定当前步态运动模式为上楼梯；当输入步态运动模式识别模型的下肢运动状态数据为P4时，可以确定当前运动模式为下楼梯；当输入步态运动模式识别模型的下肢运动状态数据为P5时，可以确定当前步态运动模式为平地步行。
作为本申请一个可选地实施方式，如图3所示，步骤S22可以包括：
S221，将下肢运动状态数据输入至步态运动模式识别模型，得到下肢运动状态数据对应的下肢步态运动数据。
踝关节假肢将其采集到小腿假肢穿戴者的下肢运动状态数据输入至建立好的步态运动模式识别模型中，由步态运动模式识别模型输出对应该运动状态数据的下肢步态运动数据，并将该下肢步态运动数据传输至踝关节假肢的控制器。
S222，基于下肢步态运动数据，确定下肢步态运动模式。
踝关节假肢的控制器在接收到下肢步态运动数据可以确定与该下肢步态运动数据对应的步态运动模式，并按照该步态运动模式为踝关节假肢提供合适的推动力，以使踝关节假肢能够按照该步态运动模式进行运动。
作为本申请一个可选地实施方式，如图3所示，步骤S22还可以包括：
S223，基于下肢运动状态数据，确定与下肢步态运动模式对应的运动状态。
示例性地，运动状态包括假肢支撑状态和假肢摆动状态。其中，假肢支撑状态为踝关节假肢下落至地面时，踝关节假肢与地面之间的支撑力；假肢摆动状态为踝关节蹬离地面时的踝关节假肢摆动态。踝关节假肢在不同步态运动模式下有不同的运动状态数据，即不同的步态运动模式有其对应的假肢支撑状态和假肢摆动状态。
例如，上斜坡、下斜坡、上楼梯、下楼梯和平地步行对应的假肢支撑数据分别为A0、B0、C0、D0和E0；上斜坡、下斜坡、上楼梯、下楼梯和平地步行对应的假肢摆动数据为A1、B1、C1、D1和E1。其中，假肢支撑数据 A0、B0、C0、D0和E0可以为一范围值，假肢摆动数据A1、B1、C1、D1和 E1也可以为一范围值。将下肢运动状态数据分别与假肢支撑数据和假肢摆动数据进行对比，若确定下肢运动状态数据为假肢支撑数据A0，则可以根据假肢支撑数据A0确定当前下肢运动状态数据对应为上斜坡支撑状态；若确定下肢运动状态数据为假肢摆动数据C1，则可以根据假肢摆动数据C1确定当前下肢运动状态数据对应为上楼梯摆动状态。
本实施例提供的步态运动模式识别方法，通过获取踝关节假肢对应的下肢运动状态数据，基于下肢运动状态数据和步态运动模式识别模型，确定下肢运动数据对应的下肢步态运动模式。其中，下肢运动状态数据包括肌电数据、惯性运动数据和足底压力传感器数据中的一种或多种。该方法通过融合了不同分类的步态运动模式识别模型，根据采集到的肌电数据、惯性运动数据和足底压力数据中的一种或多种确定踝关节假肢所处的运动模式，避免了单一分类模型对运动模式识别的不准确而影响踝关节假肢的控制，提高了踝关节假肢运动模式的识别准确性以及踝关节假肢的控制准确性。
实施例3
本实施例提供一种步态运动模式识别模型的建立装置，应用于假肢控制领域中踝关节假肢运动模式模型的建立，有效识别踝关节假肢的运动模式，如图5所示，该装置包括：
建立模块31，用于基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，第一步态运动模型和第二步态运动模型均为分类模型。详细说明参见上述实施例对应步骤S11的相关描述，此处不再赘述。
训练模块32，用于以踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，分别对第一步态运动模型和第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型。详细说明参见上述实施例对应步骤S12的相关描述，此处不再赘述。
优化模块33，用于基于目标优化算法对第一目标训练模型和第二目标训练模型进行优化，得到第一优化模型和第二优化模型。详细说明参见上述实施例对应步骤S13的相关描述，此处不再赘述。
第一计算模块34，用于基于适应度函数，确定第一优化模型和第二优化模型对应的第一权值和第二权值。详细说明参见上述实施例对应步骤S14 的相关描述，此处不再赘述。
第一确定模块35，用于基于第一权值和第二权值，确定步态运动模式识别模型。详细说明参见上述实施例对应步骤S15的相关描述，此处不再赘述。
本实施例提供的步态运动模式识别模型的建立装置，通过基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，其中，第一步态运动模型和第二步态运动模型均为分类模型，以踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，同时对第一步态运动模型和第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型，基于目标优化算法对第一目标训练模型和第二目标训练模型进行优化，得到第一优化模型和第二优化模型，基于适应度函数，确定第一优化模型和第二优化模型对应的第一权值和第二权值，基于第一权值和第二权值，确定运动状态识别模型。该装置基于分类模型的融合思想，通过适应度函数更新第一优化模型的第一权值和第二优化模型的第二权值，将不同的分类模型融合为步态运动模式识别模型，实现踝关节假肢的步态运动模式的准确识别，从而控制踝关节假肢为人体运动提供合适的推动力。
实施例4
本实施例提供一种步态运动模式识别装置，应用于上述实施例所述踝关节假肢的步态运动识别模型，以识别踝关节假肢的当前运动模式，控制踝关节假肢提供合适的推动力。如图6所示，该装置包括：
第一获取模块41，用于获取踝关节假肢对应的下肢运动状态数据。详细说明参见上述实施例对应步骤S21的相关描述，此处不再赘述。
第二确定模块42，用于基于下肢运动状态数据和步态运动模式识别模型，确定下肢运动状态数据对应的下肢步态运动模式。详细说明参见上述实施例对应步骤S22的相关描述，此处不再赘述。
本实施例提供的步态运动模式识别装置，通过获取踝关节假肢对应的下肢运动状态数据，基于下肢运动状态数据和步态运动模式识别模型，确定下肢运动数据对应的下肢步态运动模式。其中，下肢运动状态数据包括肌电数据、惯性运动数据和足底压力传感器数据中的一种或多种。该装置通过融合了不同分类的步态运动模式识别模型，根据采集到的肌电数据、惯性运动数据和足底压力数据中的一种或多种确定踝关节假肢所处的运动模式，避免了单一分类模型对运动模式识别的不准确而影响踝关节假肢的控制，提高了踝关节假肢运动模式的识别准确性以及踝关节假肢的控制准确性。
作为本申请一个可选地实施方式，第二确定模块42，包括：
输入子模块，用于将下肢运动状态数据输入至步态运动模式识别模型，得到下肢运动状态数据对应的下肢步态运动数据。详细说明参见上述实施例对应步骤S221的相关描述，此处不再赘述。
确定子模块，用于基于下肢步态运动数据，确定下肢步态运动模式。详细说明参见上述实施例对应步骤S222的相关描述，此处不再赘述。
实施例5
本发明实施例还提供了一种电子设备，如图7所示，该设备包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图7中以通过总线50连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器 51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、图形处理器(Graphics Processing Unit，GPU)、嵌入式神经网络处理器(Neural-network ProcessingUnit，NPU)或者其他专用的深度学习协处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的步态运动模式识别模型的建立方法对应的程序指令/模块(例如，图5所示的建立模块31、训练模块32、优化模块33、第一计算模块34和第一确定模块35)；步态运动模式识别方法对应的程序指令/模块(例如，图6所示的获取模块 41和第二确定模块42)。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的步态运动模式识别模型的建立方法和步态运动模式识别方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器 51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51 远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51 执行时，执行如图1-图3所示实施例中的步态运动模式识别模型的建立方法和步态运动模式识别方法。
基于分类模型的融合思想，通过适应度函数更新第一优化模型的第一权值和第二优化模型的第二权值，将不同的分类模型融合为步态运动模式识别模型，实现踝关节假肢的运动模式的准确识别，从而控制踝关节假肢为人体运动提供合适的推动力。
通过融合了不同分类模型的步态运动模式识别模型，根据采集到的肌电数据、惯性运动数据和足底压力数据中的一种或多种确定踝关节假肢所处的运动模式，避免了单一分类模型对运动模式识别的不准确而影响踝关节假肢的控制，提高了踝关节假肢运动模式的识别准确性以及踝关节假肢的控制准确性。
上述电子设备具体细节可以对应参阅图1至图6所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本发明实施例还提供一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的步态运动模式识别模型的建立方法和步态运动识别方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种步态运动模式识别模型的建立方法，其特征在于，包括：
基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，所述第一步态运动模型和所述第二步态运动模型均为分类模型；
以所述踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，同时对所述第一步态运动模型和所述第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型；
基于目标优化算法对所述第一目标训练模型和所述第二目标训练模型进行优化，得到第一优化模型和第二优化模型；
基于适应度函数，确定所述第一优化模型和所述第二优化模型对应的第一权值和第二权值；
基于所述第一权值和所述第二权值，确定步态运动模式识别模型。
2.根据权利要求1所述的方法，其特征在于，所述适应度函数的表达式如下：
ω1+ω2＝1
其中，fitness为适应度函数值；N为样本个数，ω1为第一优化模型的权值，ω2为第二优化模型的权值，
为第一优化模型的预测值，
为第二优化模型的预测值，y为真实值。
3.根据权利要求2所述的方法，其特征在于，所述第一目标算法为梯度提升决策树算法，所述第二目标算法为最近邻分类算法，所述目标优化算法为粒子群算法。
4.一种步态运动模式识别方法，用于采用权利要求1-3任意一项所述的方法建立的步态运动模式识别模型，其特征在于，包括：
获取踝关节假肢对应的下肢运动状态数据；所述下肢运动状态数据包括肌电数据、惯性运动数据和足底压力数据中的一种或多种；
基于所述下肢运动状态数据和所述步态运动模式识别模型，确定所述下肢运动状态数据对应的下肢步态运动模式。
5.根据权利要求4所述的方法，其特征在于，基于所述下肢运动状态数据和所述步态运动识别模型，确定所述下肢运动状态数据对应的下肢步态运动模式，包括：
将所述下肢运动状态数据输入至所述步态运动模式识别模型，得到所述下肢运动状态数据对应的下肢步态运动数据；
基于所述下肢步态运动数据，确定所述下肢步态运动模式。
6.根据权利要求4或5所述的方法，其特征在于，还包括：
基于所述下肢运动状态数据，确定与所述下肢步态运动模式对应的运动状态，所述运动状态包括假肢支撑状态和假肢摆动状态。
7.一种步态运动模式识别模型的建立装置，其特征在于，包括：
建立模块，用于基于第一目标算法和第二目标算法建立踝关节假肢的第一步态运动模型和第二步态运动模型，所述第一步态运动模型和所述第二步态运动模型均为分类模型；
训练模块，用于以所述踝关节假肢对应的下肢运动状态参数作为输入，步态运动模式作为输出，同时对所述第一步态运动模型和所述第二步态运动模型进行训练，得到第一目标训练模型和第二目标训练模型；
优化模块，用于基于目标优化算法对所述第一目标训练模型和所述第二目标训练模型进行优化，得到第一优化模型和第二优化模型；
第一计算模块，用于基于适应度函数，确定所述第一优化模型和所述第二优化模型对应的第一权值和第二权值；
第一确定模块，用于基于所述第一权值和所述第二权值，确定步态运动模式识别模型。
8.一种步态运动模式识别装置，用于权利要求7所述的步态运动模式识别模型的建立装置，其特征在于，包括：
获取模块，用于获取踝关节假肢对应的下肢运动状态数据；所述下肢运动状态数据包括肌电数据、惯性运动数据和足底压力数据中的一种或多种；
第二确定模块，用于基于所述下肢运动状态数据和所述步态运动识别模型，确定所述下肢运动状态数据对应的下肢步态运动模式。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-3任一项所述的步态运动模式识别模型的建立方法或权利要求4-6任一项所述的步态运动模式识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-3任一项所述的步态运动模式识别模型的建立方法或权利要求4-6任一项所述的步态运动模式识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110100254.0A CN112926390A (zh) | 2021-01-26 | 2021-01-26 | 一种步态运动模式识别方法和模型建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110100254.0A CN112926390A (zh) | 2021-01-26 | 2021-01-26 | 一种步态运动模式识别方法和模型建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112926390A true CN112926390A (zh) | 2021-06-08 |
Family
ID=76165914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110100254.0A Pending CN112926390A (zh) | 2021-01-26 | 2021-01-26 | 一种步态运动模式识别方法和模型建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926390A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111631727A (zh) * | 2020-06-11 | 2020-09-08 | 国家康复辅具研究中心 | 一种假肢适配效果的评估方法及评估装置 |
| CN113520683A (zh) * | 2021-07-08 | 2021-10-22 | 中国科学技术大学 | 基于模仿学习的下肢假肢控制系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
| CN105335725A (zh) * | 2015-11-05 | 2016-02-17 | 天津理工大学 | 一种基于特征融合的步态识别身份认证方法 |
| KR20160023984A (ko) * | 2014-08-21 | 2016-03-04 | 인하대학교 산학협력단 | 표면근전도 신호기반 보행동작 인식을 위한 분류기 시스템 |
| JP2016040650A (ja) * | 2014-08-12 | 2016-03-24 | 株式会社Ｓｃｒｅｅｎホールディングス | 分類器構築方法、画像分類方法および画像分類装置 |
| CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划系统及方法 |
| CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
| CN110363152A (zh) * | 2019-07-16 | 2019-10-22 | 郑州轻工业学院 | 一种基于表面肌电信号的下肢假肢路况识别方法 |
| KR20200014461A (ko) * | 2018-07-31 | 2020-02-11 | 동국대학교 산학협력단 | 콘볼루션 신경망을 이용한 걸음걸이 기반 신원 인식 장치 및 방법 |
| CN110852158A (zh) * | 2019-09-30 | 2020-02-28 | 西安电子科技大学 | 一种基于模型融合的雷达人体运动状态分类算法及系统 |
| CN111209977A (zh) * | 2020-01-16 | 2020-05-29 | 北京百度网讯科技有限公司 | 分类模型的训练和使用方法、装置、设备和介质 |
-
2021
- 2021-01-26 CN CN202110100254.0A patent/CN112926390A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016040650A (ja) * | 2014-08-12 | 2016-03-24 | 株式会社Ｓｃｒｅｅｎホールディングス | 分類器構築方法、画像分類方法および画像分類装置 |
| KR20160023984A (ko) * | 2014-08-21 | 2016-03-04 | 인하대학교 산학협력단 | 표면근전도 신호기반 보행동작 인식을 위한 분류기 시스템 |
| CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
| CN105335725A (zh) * | 2015-11-05 | 2016-02-17 | 天津理工大学 | 一种基于特征融合的步态识别身份认证方法 |
| CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划系统及方法 |
| KR20200014461A (ko) * | 2018-07-31 | 2020-02-11 | 동국대학교 산학협력단 | 콘볼루션 신경망을 이용한 걸음걸이 기반 신원 인식 장치 및 방법 |
| CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
| CN110363152A (zh) * | 2019-07-16 | 2019-10-22 | 郑州轻工业学院 | 一种基于表面肌电信号的下肢假肢路况识别方法 |
| CN110852158A (zh) * | 2019-09-30 | 2020-02-28 | 西安电子科技大学 | 一种基于模型融合的雷达人体运动状态分类算法及系统 |
| CN111209977A (zh) * | 2020-01-16 | 2020-05-29 | 北京百度网讯科技有限公司 | 分类模型的训练和使用方法、装置、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨利英;覃征;胡广伍: "粒子群优化多分类器融合模型", 《小型微型计算机系统》, vol. 27, no. 7, pages 1313 - 1316 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111631727A (zh) * | 2020-06-11 | 2020-09-08 | 国家康复辅具研究中心 | 一种假肢适配效果的评估方法及评估装置 |
| CN111631727B (zh) * | 2020-06-11 | 2024-02-09 | 国家康复辅具研究中心 | 一种假肢适配效果的评估方法及评估装置 |
| CN113520683A (zh) * | 2021-07-08 | 2021-10-22 | 中国科学技术大学 | 基于模仿学习的下肢假肢控制系统及方法 |
| CN113520683B (zh) * | 2021-07-08 | 2023-06-16 | 中国科学技术大学 | 基于模仿学习的下肢假肢控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Su et al. | A CNN-based method for intent recognition using inertial measurement units and intelligent lower limb prosthesis | |
| CN107753026B (zh) | 针对脊柱腿部健康的智能鞋自适应监测方法 | |
| Young et al. | Intent recognition in a powered lower limb prosthesis using time history information | |
| CN112926390A (zh) | 一种步态运动模式识别方法和模型建立方法 | |
| CN111631727B (zh) | 一种假肢适配效果的评估方法及评估装置 | |
| CN108309303B (zh) | 一种可穿戴冻结步态智能监测与助行设备 | |
| Saad et al. | Detection of freezing of gait for Parkinson’s disease patients with multi-sensor device and Gaussian neural networks | |
| US9443203B2 (en) | Ambulation prediction controller for lower limb assistive device | |
| Figueiredo et al. | Daily locomotion recognition and prediction: A kinematic data-based machine learning approach | |
| Khademi et al. | Evolutionary optimization of user intent recognition for transfemoral amputees | |
| Wang et al. | Human Gait Recognition System Based on Support Vector Machine Algorithm and Using Wearable Sensors. | |
| US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
| CN114099234B (zh) | 一种用于辅助康复训练的智能化康复机器人数据处理方法及系统 | |
| CN111611859B (zh) | 一种基于gru的步态识别方法 | |
| Pew et al. | Turn intent detection for control of a lower limb prosthesis | |
| CN110893100A (zh) | 基于足底压力传感器监测体态变化的装置和方法 | |
| Martinez-Hernandez et al. | Recognition of walking activity and prediction of gait periods with a CNN and first-order MC strategy | |
| Rai et al. | Mode-free control of prosthetic lower limbs | |
| CN114360066A (zh) | 一种基于bpsogwo-knn的下肢假肢运动意图识别算法 | |
| CN117100255B (zh) | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 | |
| Wang et al. | Gait features analysis using artificial neural networks: testing the footwear effect | |
| CN112494034B (zh) | 基于3d体态检测分析的数据处理分析系统及方法 | |
| Feng et al. | Small-data-driven temporal convolutional capsule network for locomotion mode recognition of robotic prostheses | |
| CN115281662B (zh) | 一种慢性踝关节不稳智能辅助诊断系统 | |
| KR102302719B1 (ko) | 검출정보별 신경망 분석을 실시하여 보행 종류를 분류하는 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |