一种基于强化学习算法的智能假肢制造技术

本发明专利技术公开了一种基于强化学习算法的智能假肢，包括：训练数据采集组件、云端工作站、核心处理器、第一肌电信号采集模块、执行机构和假肢本体；训练数据采集组件采集完整腿部在进行不同动作时的肌电信号和位姿信号；云端工作站利用训练集对预先构建的DQN模型进行训练；第一肌电信号采集模块采集残肢的肌电信号；核心处理器加载训练好的DQN模型，并输出与残肢肌电信号对应的位姿信号；执行机构根据DQN模型输出的位姿信号驱动假肢本体执行对应的动作。本发明专利技术利用完整腿部采集的肌电信号与动作位姿对DQN模型进行训练，识别残肢肌电信号并作出符合佩戴者习惯的腿部动作的能力，提高假肢动作识别精度。高假肢动作识别精度。高假肢动作识别精度。

【技术实现步骤摘要】
一种基于强化学习算法的智能假肢


[0001]本专利技术涉及智能假肢
，更具体的说是涉及一种基于强化学习算 法的智能假肢。

技术介绍

[0002]现有的商业化假肢主要有以下三种缺点：(1)肢体的复合动作必须分成 单一动作依次进行，不符合人体运动习惯；(2)多采用阈值控制，控制稳定 但识别率不高；(3)需要佩戴者完成多组训练以定制适合的假肢，费时费力。
[0003]因此，如何提供一种使腿部动作更贴近人体本身、动作识别率高的基于 强化学习算法的智能假肢是本领域技术人员亟需解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于强化学习算法的智能假肢，利用被试 者完整腿部采集的肌电信号与动作位姿建立训练集对DQN模型进行强化学习 训练，并识别残肢肌电信号并作出符合佩戴者习惯的腿部动作的能力，提高 假肢动作识别精度，进而提升使用体验。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于强化学习算法的智能假肢，包括：训练数据采集组件、云端工 作站、核心处理器、第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于强化学习算法的智能假肢，其特征在于，包括：训练数据采集组件、云端工作站、核心处理器、第一肌电信号采集模块、执行机构和假肢本体；所述训练数据采集组件用于在安装所述假肢本体之前，采集完整腿部在进行不同动作时的肌电信号和位姿信号；所述核心处理器用于对完整腿部的肌电信号和位姿信号进行预处理后，作为训练集，并上传至所述云端工作站；所述云端工作站用于利用所述训练集对预先构建的DQN模型进行训练；所述第一肌电信号采集模块用于在安装所述假肢本体之后，采集残肢的肌电信号；所述核心处理器用于加载训练好的DQN模型，并将采集的残肢肌电信号输入训练好的DQN模型，输出与残肢肌电信号对应的位姿信号；所述执行机构用于根据DQN模型输出的位姿信号驱动所述假肢本体执行对应的动作。2.根据权利要求1所述的一种基于强化学习算法的智能假肢，其特征在于，所述训练数据采集组件包括：第二肌电信号采集模块和动作采集模块；所述第二肌电信号采集模块用于在安装所述假肢本体之前，采集完整腿部的肌电信号；所述动作采集模块用于在安装所述假肢本体之前，采集完整腿部的位姿信号；所述核心处理器根据完整腿部的位姿信号，实时构造腿部运动模型。3.根据权利要求2所述的一种基于强化学习算法的智能假肢，其特征在于，所述第一肌电信号采集模块、所述第二肌电信号采集模块和所述动作采集模块均连接有放大电路；所述放大电路用于将完整腿部的肌电信号和位姿信号以及残肢肌电信号放大至所需幅度值。4.根据权利要求3所述的一种基于强化学习算法的智能假肢，其特征在于，所述放大电路包括：仪用放大器U2、四运算放大器U1A、U1B、U1C和U1D、电阻R1、R2、R3、R4、R5、R6、R7、R8、R9、R10、R11、以及电容C1、C2和C3；其中，仪用放大器U2的型号为AD620AN；四运算放大器U1A、U1B、U1C和U1D的型号均为LM324AD；四运算放大器U1A的同相输入端与第一肌电信号采集模块或第二肌电信号采集模块或动作采集模块的输出端连接，反相输入端分别与电阻R1的一端和电阻R2的一端连接，电阻R2的另一端与四运算放大器U1A的输出端连接；四运算放大器U1B的同相输入端与第一肌电信号采集模块或第二肌电信号采集模块或动作采集模块的输出端连接，反向输入端分别与电阻R1的另一端和电阻R3的一端连接，电阻R3的另一端与四运算放大器U1B的输出端连接；电阻R4的一端和电阻R5的一端连接，四运算放大器U1C的反相输...

【专利技术属性】
技术研发人员：许猛，石岩，赵雪林，李健雄，项东全，
申请(专利权)人：中国人民解放军总医院第四医学中心，
类型：发明
国别省市：