基于PSOGWO-SVM的下肢假肢连续运动识别方法技术

基于PSOGWO

【技术实现步骤摘要】
基于PSOGWO
‑
SVM的下肢假肢连续运动识别方法


[0001]本专利技术属在线模式识别
，具体涉及基于PSOGWO
‑
SVM的下肢假肢连续运动识别方法。

技术介绍

[0002]下肢截肢会对截肢者的日常运动造成障碍，尤其是膝上截肢会严重影响行为能力，给其生活造成严重的困扰。佩戴能够检测外部运动环境和识别人体运动意图的智能假肢可以极大地提高截肢患者的行动能力，使佩戴者步态更加自然，行走更省力，从而更好地代偿缺失的行动能力。由于膝、踝关节的动力学和运动学在不同的运动模式下(如平地行走和上下楼梯)会有所不同，因此，为了实现无缝、安全的运动模式转换，用户在进行转换之前必须“告诉”假肢想要实现的功能，这样人工膝、踝关节的控制器才能及时切换控制模式。因此过渡状态运动模式识别更为重要，进行人体意图判断时应该补充稳定状态运动模式之间的过渡状态作为分类种类。
[0003]许多机器学习算法已经被尝试用于人体意图识别，但有些算法模型结构复杂、参数众多，占用存储器大量内存空间，并不适合应用于假肢系统的实时运动状态预测，使得能够进行实时预测的机器学习算法寥寥无几。支持向量机(Support Vector Machine，SVM)已严格的数学理论为背景，其简单明了的几何解释以及较高的泛化能力，在解决小样本问题上具有独特的优势，与神经网络类算法相比，其克服了学习时间长、收敛速度慢等问题。针对SVM存在的模型预测精度受训练学习参数选取影响很大的不足，使用粒子群与灰狼优化算法(the hybrid Particle Swarm Optimization and Grey Wolf Optimization，PSOGWO)对SVM算法中软间隔最大惩罚因子C和函数宽度γ进行优化训练，快速高效地搜寻最优支持向量机的参数值。保存训练后的模型参数，编写预测函数代码，移植到STM32单片机中，进行实时预测。

技术实现思路

[0004]本专利技术的目的在于提供一种能克服已有方法在实际应用中效果不理想的缺陷，基于PSOGWO
‑
SVM模型对受试者的连续运动状态进行预测的下肢假肢运动识别方法，使用PSOGWO算法优化SVM算法惩罚因子C和函数宽度γ，通过在定制组合式运动平台上采集6名残疾人受试者在五种稳定状态运动模式和八种过渡状态运动模式下的实验数据，训练预测模型，实现截肢患者运动意图的实时识别预测。
[0005]本专利技术的基于PSOGWO
‑
SVM的下肢假肢连续运动识别方法，包括下列步骤：
[0006]1.1获取膝踝联动假肢膝关节和踝关节处采集到的传感器数据，包括下列步骤：
[0007]1.1.1使用放置在膝踝联动假肢上的称重传感器、膝关节角度传感器、膝关节处IMU传感器、踝关节角度传感器和踝关节处IMU传感器采集6名残疾人受试者进行水平行走、上坡、下坡、上楼和下楼五种稳定状态运动模式和水平行走
→
上坡、水平行走
→
下坡、水平行走
→
上楼、水平行走
→
下楼、上坡
→
水平行走、下坡
→
水平行走、上楼
→
水平行走和下楼
→
水平行走八种过渡状态运动模式的运动数据。受试者中包含一名女性受试者，每名残疾人受试者分别从运动平台的一侧开始行走，到达另一侧后返回，重复30次，完成全部十三种运动状态的数据采集；
[0008]1.1.2放置在膝踝联动假肢上的传感器采集数据包括:地面反作用力、膝关节角度、膝关节处IMU传感器X轴加速度、膝关节处IMU传感器Y轴加速度、膝关节处IMU传感器Z轴加速度、膝关节处IMU传感器X轴角速度、膝关节处IMU传感器Y轴角速度、膝关节处IMU传感器Z轴角速度数据、踝关节角度、踝关节处IMU传感器X轴加速度、踝关节处IMU传感器Y轴加速度、踝关节处IMU传感器Z轴加速度、踝关节处IMU传感器X轴角速度、踝关节处IMU传感器Y轴角速度和踝关节处IMU传感器Z轴角速度数据，共15通道传感器数据；
[0009]1.1.3实验使用设有平地、斜坡和楼梯的组合式运动平台进行；
[0010]1.1.4手动进行运动模式切换，并在串口助手中打印切换后运动状态标识；
[0011]1.1.5预处理：对采集数据进行去噪，去除有缺失项的异常数据，并对正常数据加上分类标签，包含五种稳定状态运动模式标签和八种过渡状态运动模式标签；
[0012]1.1.6使用固定200ms时间窗处理传感器数据，提取时间窗内各维数据的4种时域特征值，包括：最大值、最小值、均值和标准差；
[0013]1.2由于SVM算法分类准确率高，最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数，适合应用于STM32进行实时人体意图识别判断。利用采集到的残疾人运动数据，使用PSOGWO优化算法对SVM算法中的惩罚因子C和函数宽度γ进行优化，有效提高模型的泛化能力，包括下列步骤：
[0014]1.2.1 PSOGWO算法融合PSO算法和GWO算法的优势，其中前三个候选解的位置通过如下方程在搜索空间中更新：
[0015][0016][0017][0018]其中：和是系数向量，分别为当前种群中α、β、δ三条狼的位置向量，表示灰狼的位置向量，ω为惯性因子，和分别表示当前候选灰狼与最优三条狼之间的距离；
[0019]粒子速度和位置的更新公式如下:
[0020][0021][0022]其中：ω为惯性因子，c1、c2和c3是学习因子，r1、r2和r3为介于(0,1)之间的随机数，x1、x2和x3为更新的三个最优解；
[0023]1.2.2 SVM分类器模型使用sklearn.svm库中的SVC模型，核函数选择高斯径向基核函数，待优化参数为惩罚因子C和函数宽度γ；
[0024]1.2.3输入6名残疾人受试者的实验数据，使用十折交叉验证方法，将数据集分成
十份，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，10次结果的正确率的平均值作为对算法精度的估计，根据10次结果，形成分类算法混淆矩阵；
[0025]1.2.4数据集中五种稳定状态运动数据按照相同比例组成，八种过渡状态运动数据按照相同比例组成，其中稳定状态运动数据多于过渡状态运动数据；
[0026]1.2.5 PSOGWO
‑
SVM算法中的适应度函数为混淆矩阵中错误分类数之和，公式如下：
[0027][0028]其中：参数n＝12，表示最后一种分类的标签，由于第一种分类标签为0，故最后一种分类标签为12；confusion_matric[][]为混淆矩阵，其中confusion_matric[i][j]表示第i种运动状态错分为第j种运动状态的个数；
[0029]1.2.6 PSOGWO
‑
SVM算法相关参数为：粒子规模为50，最大迭代次数为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于PSOGWO
‑
SVM的下肢假肢连续运动识别方法，其特征在于：包括下列步骤：1.1获取膝踝联动假肢膝关节和踝关节处采集到的传感器数据，包括下列步骤：1.1.1使用放置在膝踝联动假肢上的称重传感器、膝关节角度传感器、膝关节处IMU传感器、踝关节角度传感器和踝关节处IMU传感器采集6名残疾人受试者进行水平行走、上坡、下坡、上楼和下楼五种稳定状态运动模式和水平行走
→
上坡、水平行走
→
下坡、水平行走
→
上楼、水平行走
→
下楼、上坡
→
水平行走、下坡
→
水平行走、上楼
→
水平行走和下楼
→
水平行走八种过渡状态运动模式的运动数据；1.1.2放置在膝踝联动假肢上的传感器采集数据包括:地面反作用力、膝关节角度、膝关节处IMU传感器X轴加速度、膝关节处IMU传感器Y轴加速度、膝关节处IMU传感器Z轴加速度、膝关节处IMU传感器X轴角速度、膝关节处IMU传感器Y轴角速度、膝关节处IMU传感器Z轴角速度数据、踝关节角度、踝关节处IMU传感器X轴加速度、踝关节处IMU传感器Y轴加速度、踝关节处IMU传感器Z轴加速度、踝关节处IMU传感器X轴角速度、踝关节处IMU传感器Y轴角速度和踝关节处IMU传感器Z轴角速度数据，共15通道传感器数据；1.1.3实验使用设有平地、斜坡和楼梯的组合式运动平台进行；1.1.4手动进行运动模式切换，并在串口助手中打印切换后运动状态标识；1.1.5预处理：对采集数据进行去噪，去除有缺失项的异常数据，并对正常数据加上分类标签，包含五种稳定状态运动模式标签和八种过渡状态运动模式标签；1.1.6使用固定200ms时间窗处理传感器数据，提取时间窗内各维数据的4种时域特征值，包括：最大值、最小值、均值和标准差；1.2由于SVM算法分类准确率高，最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，适合应用于STM32进行实时人体意图识别判断；利用采集到的残疾人运动数据，使用PSOGWO优化算法对SVM算法中的惩罚因子C和函数宽度γ进行优化，有效提高模型的泛化能力，包括下列步骤：1.2.1 PSOGWO算法融合PSO算法和GWO算法的优势，其中前三个候选解的位置通过如下方程在搜索空间中更新：...

【专利技术属性】
技术研发人员：任雷，张尧，修豪华，李振男，阎凌云，韩阳，王旭，钱志辉，任露泉，
申请(专利权)人：吉林大学，
类型：发明
国别省市：