【技术实现步骤摘要】
本专利技术涉及一种下肢关节力矩预测方法，特别是一种基于深度森林和遗传算法的下肢关节力矩预测方法。
技术介绍
1、下肢关节力矩在步态分析中具有重要意义，其与步行推进力之间存在较强的相关性。下肢关节力矩是脚部和脚踝受伤的关键因素，过大的力矩可能导致韧带损伤；与此同时，对人类行走过程中下肢关节力矩的分析可以为下肢外骨骼机器人的设计提供参考依据。
2、迄今为止，计算关节力矩最准确和最广泛认可的方法依赖于逆动力学，通过捕捉运动轨迹和获得地面反作用力数据来计算下肢关节力和力矩，通常采用运动捕捉系统和力平台。尽管这种方法很准确，但它需要特定的实验环境和复杂的建模过程。因此，亟需研发一款可以克服传统测试需要特定的实验环境和复杂的建模过程才能进行关节力矩计算的下肢关节力矩预测方法。
技术实现思路
1、本专利技术的目的在于，提供一种基于深度森林和遗传算法的下肢关节力矩预测方法。本专利技术可通过便携、低成本、经优化布局的足底压力传感器，实现下肢关节力矩的日常实时准确估计，克服了传统测试需要特定的实验环境和复杂的建模过程的缺陷。
2、本专利技术的技术方案：一种基于深度森林和遗传算法的下肢关节力矩预测方法，包括以下步骤：
3、s1、对于n名受试者，分别采用分布式压力传感器鞋垫测量足底压力数据以及利用运动捕获系统和测力台测量下肢运动轨迹及地面反力，实现n名受试者步态数据的采集；
4、s2、构建足底压力-下肢关节力矩数据集；
5、s3、通过足底压力-下
6、首先，通过遗传算法优化不同传感器数量下的最优传感器布局；其中遗传算法的适应度函数包含当前布局下传感器位置的相关性以及当前布局下通过深度森林算法预测下肢关节力矩的均方误差两方面因素。基于此得到不同数量下传感器的最优布局后，通过比较不同传感器数量对应的适应度函数变化趋势，预测得出传感器的最优数量。当不同数量传感器下相应的适应度函数连续下降n次时，认为适应度峰值(最大值)所对应的传感器个数为最优数量。其中，优化传感器数量和布局过程中的下肢关节力矩是通过深度森林算法预测计算的。
7、s4、最终，基于选出的最优传感器数量和布局，利用深度森林模型实现下肢关节力矩的实时快速预测。
8、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，步骤s2中，足底压力-下肢关节力矩数据集的构建过程：使用逆向动力学方法对采集到的下肢运动轨迹及地面反力数据，计算得到下肢关节力矩；使用步态支撑阶段的起点和终点作为对齐参考，将下肢关节力矩数据和足底压力数据同步，实现足底压力-下肢关节力矩数据集的构建；其中，随机选择n-1名受试者的数据为训练集，1名受试者的数据为测试集。
9、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，所述下肢关节力矩包括踝关节力矩、膝关节力矩和髋关节力矩。
10、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，步骤s2中足底压力-下肢关节力矩数据集为：步行过程中每一帧的足底压力数据以及下肢关节力矩(xi，yi)，其中w代表数据量，则i属于[1，w]，第i个样本的输入特征为：xi＝{p1，p2，p3，…pn}，其中p代表不同位置的传感器的足底压力数据；yi表示第i个样本中的下肢关节力矩；并对所有数据都进行对齐，即足底压力-下肢关节力矩数据集为：d＝{(x1，y1)，(x2，y2)，…，(xw，yw)}。
11、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，步骤s3中，深度森林算法包括三部分：数据预处理、多粒度扫描以及级联森林模型；
12、(1)数据预处理：将分布式压力传感器鞋垫中n个压力传感器测得的足底压力数据转化为n维的原始向量；将当前帧、前面第a帧以及前面第b帧(a＜b)的数据进行拼接，得到3*n维的向量；
13、(2)多粒度扫描：分别使用大小为以及的滑动窗口进行扫描，得到个维向量、个维向量以及个维向量；将上述向量分别经过两个随机森林模型回归并拼接，最终得到一个c维特征向量，作为级联森林模型的输入；
14、(3)级联森林模型：输入的c维特征向量经过四个随机森林模型处理，得到四个增强的一维向量；将四个增强的一维向量与输入的c维特征向量拼接，形成(c+4)维特征向量，作为下一级输入；重复上述过程直至最后一级；在最后一级，将所有生成的向量取平均，得到回归值。
15、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，每个随机森林模型生成的向量上使用d折交叉验证。
16、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，随机森林模型包含f个决策树，每个决策树一直生长到叶节点完全纯净或深度达到g。
17、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，步骤s3中，遗传算法的编码策略为二进制编码，每一个位代表着一个从1到k的传感器编号1，2，3，4…k，特定位置上的值表示是否选择对应位置的传感器；若选择了某个传感器，对应位置的值设定为1；反之，若未选择，则被设定为0。
18、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，适应度评估计算的公式为：
19、
20、其中p表示选择的传感器阵列，e(p)表示深度森林模型的均方误差，r(p)表示所选传感器之间压力值的相关性矩阵的二范数，α为一个特定的系数；将适应度评估计算公式计算得到的最大布局作为最优布局。
21、前述的一种基于深度森林和遗传算法的下肢关节力矩预测方法中，步骤s1中，分布式压力传感器鞋垫中每平方厘米的压力传感器数量不少于4个。
22、与现有技术相比，本专利技术通过采集n名受试者的步态数据后建立足底压力-下肢关节力矩数据集，并利用足底压力-下肢关节力矩数据集中的足底压力数据和下肢关节力矩数据对深度森林算法进行训练，得到可以由足底压力预测下肢关节力矩的深度森林模型，并通过遗传算法对分布式压力传感器鞋垫内的压力传感器数量和布局进行合理优化，从而使得在后续的使用过程中，训练好的深度森林模型可以根据测得足底压力数据快速预测下肢关节力矩。本专利技术通过便携、低成本、经优化布局的分布式压力传感器鞋垫，实现下肢关节力矩的日常实时准确估计，克服了传统测试需要特定的实验环境和复杂的建模过程的缺陷。
本文档来自技高网...【技术保护点】
1.一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，步骤S2中，足底压力-下肢关节力矩数据集的构建过程：使用逆向动力学方法对采集到的下肢运动轨迹及地面反力数据，计算得到下肢关节力矩；使用步态支撑阶段的起点和终点作为对齐参考，将下肢关节力矩数据和足底压力数据同步，实现足底压力-下肢关节力矩数据集的构建；其中，随机选择n-1名受试者的数据为训练集，1名受试者的数据为测试集。
3.根据权利要求2所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，所述下肢关节力矩包括踝关节力矩、膝关节力矩和髋关节力矩。
4.根据权利要求1所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，步骤S2中足底压力-下肢关节力矩数据集为：步行过程中每一帧的足底压力数据以及下肢关节力矩(xi,yi)，其中w代表数据量，则i属于[1,w]，第i个样本的输入特征为：xi＝{P1,P2,P3,...Pn},其中P代表不同位置的传感器的足底
5.根据权利要求1所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，步骤S3中，深度森林算法包括三部分：数据预处理、多粒度扫描以及级联森林模型；
6.根据权利要求5所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，每个随机森林模型生成的向量上使用d折交叉验证。
7.根据权利要求5所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，随机森林模型包含f个决策树，每个决策树一直生长到叶节点完全纯净或深度达到g。
8.根据权利要求1所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，步骤S3中，遗传算法的编码策略为二进制编码，每一个位代表着一个从1到k的传感器编号1,2,3,4...k，特定位置上的值表示是否选择对应位置的传感器；若选择了某个传感器，对应位置的值设定为1；反之，若未选择，则被设定为0。
9.根据权利要求1所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，遗传算法使用适应度评估计算公式进行计算，公式为：
10.根据权利要求1所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，步骤S1中，分布式压力传感器鞋垫中每平方厘米的压力传感器数量不少于4个。
...【技术特征摘要】
1.一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，步骤s2中，足底压力-下肢关节力矩数据集的构建过程：使用逆向动力学方法对采集到的下肢运动轨迹及地面反力数据，计算得到下肢关节力矩；使用步态支撑阶段的起点和终点作为对齐参考，将下肢关节力矩数据和足底压力数据同步，实现足底压力-下肢关节力矩数据集的构建；其中，随机选择n-1名受试者的数据为训练集，1名受试者的数据为测试集。
3.根据权利要求2所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，所述下肢关节力矩包括踝关节力矩、膝关节力矩和髋关节力矩。
4.根据权利要求1所述的一种基于深度森林和遗传算法的下肢关节力矩预测方法，其特征在于，步骤s2中足底压力-下肢关节力矩数据集为：步行过程中每一帧的足底压力数据以及下肢关节力矩(xi,yi)，其中w代表数据量，则i属于[1,w]，第i个样本的输入特征为：xi＝{p1,p2,p3,...pn},其中p代表不同位置的传感器的足底压力数据；yi表示第i个样本中的下肢关节力矩；并对所有数据都进行对齐，即足底压力-下肢关节力矩数据集为：d＝{(x1,y1),(x2,y2),…，(xw,y...
【专利技术属性】
技术研发人员：任韦燕，弓明侠，蒲放，陈文轩，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。