文摘
客观的。为了研究下肢假肢的运动识别的目的基于CNN深学习算法。方法。建立了卷积神经网络(CNN)模型重建运动模式。在影响方面的运动模式转换,传感器是绑定到健康的一面。分类器是用来提取和分类功能,从而实现运动的准确描述残疾人的意图。结果。本研究的方法可以达到98.2%的识别率,下肢截肢患者运动的意图在不同地形,识别率可以达到97%五之间的模式转换模式后补充道。结论。深入学习算法自动识别和提取功能可以有效改善智能下肢假肢的控制性能,实现智能假肢的自然和无缝转换多种运动模式。
1。介绍
全国残疾人抽样调查结果表明,中国的身体残疾人数量接近2500万多约6.34%。在这个调查中,截肢者的数量仅占总数的70%的截肢者。生活中由于各种不确定的和意想不到的因素如疾病、自然灾害、交通事故,和出生缺陷、下肢截肢的数量和比例仍在上升的原因很多,所以对下肢假肢的研究尤为重要(1- - - - - -3]。不同残疾的上肢、下肢假肢是直接关系到人类的平衡运动,这非常直接影响病人的生活和心理状态(4]。采用机械假肢给患者的生活带来不便,在某种程度上,和病人不能轻易走在复杂的地形,如楼下。甚至在平坦的地面,病人的身体的代谢能量高于60%健康的话题。因此,为了解决这个机械假肢的局限性,研究人员开始研究智能下肢假肢(5]。下肢的运动是一个复杂的运动,但下肢的运动也有一定的规律性和周期性。采用合适的传感器来获取人体运动和生理信息已成为智能假肢控制的先决条件(6]。现有的国际信息来源下肢假肢控制运动物理量相关信息。这样的信息可以直接反映人体运动的生物学特性,集合是相对简单,特别适合实现控制。现在,智能下肢价值产品采用一个或多个传感器来测量人体运动信息根据不同的控制方法7]。
根据收集到的信号的差异,下肢假肢的意图识别分为以下类型:基于生物力学信号,这些基于生物信号,融合的意图识别各种类型的数据(8]。然而,传统的运动意图识别方法有许多浅学习方法基于机器学习和模式的歧视。特征提取主要是手工提取,如最大值、最小值、相关系数和标准差9]。分类器的选择是基于数据类型和特征属性,如支持向量机、动态贝叶斯网络和线性判别分析。
人体运动意图识别中起着非常重要的作用在智能下肢假肢的研究,因为它会给人一种安全的,免费的,无缝的减压运动模式之间的时期。下肢假肢意图识别的研究中,有很多困难,如传感器选择和融合,数据分类算法和控制策略10]。一些研究人员获得病人的运动图的电信号通过提取残留肌肉的大腿。也有研究人员把传感器在健康方面的新策略,解决滞后的问题在运动意图的识别11]。许多国内外的研究报道表明,机器学习算法取得了良好的分类识别结果的下肢假肢运动。大多数研究人员主要采取了支持向量机等分类,隐藏的马尔可夫,决策树,模板匹配(12]。
2。方法
2.1。介绍步态周期
根据下肢的周期性,在相同的步态模式中,下肢的运动分为多个步态周期。根据规律的脚和地面之间的交流接触,它分为两个步态事件:脚趾离地面和高跟鞋在地上。出于这个原因,步态周期分为两个主要阶段,阶段和摆动阶段的支持,如图1。
2.2。运动模式
行走在日常生活中是最常见的和有规律的运动人体的下肢,也是一个关键的特性,人类与其他动物区分开来。一个人的正常步态走路时不需要考虑;完成协调运动的臀部、膝盖和脚踝关节。躯干是继续英尺之间的支承面。从步态定律,运动模式最基本的层面上走,上坡,下坡,楼上和楼下。转换的模式生活包括平上坡、下坡,楼上,楼下,平走上坡,下坡平面行走,楼上公寓步行,和楼下平面行走;稳步走在水平的地面上;和稳步走上楼,稳步走下楼梯,稳步向上流动,逐步走下坡路。在健康人的正常速度,双重支持期的持续时间的步行速度成反比。锻炼阶段包括单腿支撑阶段(SS)和飞行阶段(飞行)。 When a person is walking, the empirical equation for the time and frequency of the legs is as follows.
Yds代表了时间的双足支持期间,tp代表步行周期,p代表了走路的频率。当p增加在某种程度上,它从走到运行的转换。
在这个研究中,传感器放置在病人健康的一面。类型的转换的第一步开始的时候前面的脚的脚趾是在前面的地形条件下离地面。结束的时候跟相同的脚落到地面上,下一个地形。也有特殊情况在行走,如从平地切换到楼上和楼下,这需要一个新的定义。第二种类型开始时脚趾的脚离开地面之前的地形条件下,地面的鞋跟脚在同一边,下一个地形。
2.3。运动识别流程图
在图2,它首先描述了物体空间的意图,然后去定义的模式空间。然后,在特征空间中提取特征,最后,集合类型的空间。
2.4。卷积神经网络
深度学习是一种有效的和无监督算法技术,可以和人类的大脑相比,模拟大脑的行为特征,分析和解释数据。CNN,许多算法深入科学之一,通常由N特征提取层,降低抽样层,N完全连接的分类器。它有非常低的模型复杂性和很少的重量。输入图像不会转换减少复杂的特征提取过程。图像输入层,底部和网络可以获得图像的基本特征。通过这种方式,它具有良好的抗变形和目标对象或图像的旋转,它非常有效米计算机视觉图像作为输入的任务或门的认可。
图3的图是CNN。Y_x是回旋的层,D_ (X+1)是将采样层,E_x和G_是乘法的偏见,提出是添加剂的偏见,ω是乙状结肠函数。
2.5。美国有线电视新闻网的建设
CNN在正常状态七层,输入层,卷积层,二次抽样层,完全连接层和输出层。有许多独立的神经元分布在每个级别。二次抽样将整合所有功能时,需要提取提取特征,然后,将这些特性进行分类(图完全连接层4)。
在CNN,不同卷积核的特征图谱中存在任何回旋的层,和许多独立的神经元分布地图上的特性。神经元的功能映射将分享一个卷积的内核。任何神经元接受域的输入信息,然后执行卷积处理与卷积核,最后获得加工特征映射。
2.6。数据建立
在实验组中,有10个受试者招募,包括8健康和2残疾的左腿截肢。8健康的人包括4男4女,高度范围是162 - 180厘米,体重是45 - 80公斤,年龄是22-35。在日常生活中,当一个正常人遇到向上或向下或向上或向下,左脚还是右脚是第一,有一定程度的随机性。不同的运动模式之间切换之前,截肢者将根据经验自行调整步长以确保安全的锻炼和执行切换运动在健康方面。模拟下肢截肢者的行走习惯尽可能健康的行走顺序和截肢者应该是一致的。
3所示。结果和分析
3.1。精度
与之相比,文献[识别13),A和B(图的准确性5)分别为94.3%和95.6%。这个研究的正确识别率为98.2%,明显高于其他两种方法。在过去,特征提取是手动完成的。与传统方法相比,本研究采用自动模式,手动模式中有效减少间隔延迟,较高的利用率和更大的准确性。
3.2。运动模式混淆矩阵
在图6五项稳态模式,平均识别率为97.8%。下坡的识别效果相对较差。2%的样本被公认为平行行走,2%被认为会在楼下,和2%的样品平行被确定为下楼散步。去楼下和楼上的识别效果很好,只有1%的样品是不准确的。1%的会被认为是在楼下,楼上和楼上楼下是公认的1%。艰难的被认为时的3%。很明显,精度在上上下下有很大提升空间。
4所示。讨论
传统的运动意图识别方法主要是嵌入假肢和提取一些特征上的传感器在模式转换在散步。摆动阶段的数据收集的传感器转换步骤,然后分析。在过渡步骤中,需要在不同的运动步态之间的前面和后面,导致延迟义肢上的传感器。如果以这种方式收集的数据arre采用,将会有不准确和滞后的缺点。此外,运动意图的识别传感器和下肢假肢的控制肯定会有一定的延迟,它将不能完全反映真实的运动意图识别。本研究打破了之前的传统模式,采用单一惯性传感器收集摆动阶段的早期数据的状态在健康方面,然后利用所构造的CNN识别(14]。在健康方面是公认的运动意图,采用对称的映射关系来识别运动影响方面的意图。假体控制器接受提前识别结果传递给它,调整控制参数在这个过程。这种方法避免明显的滞后的缺点,使残疾人国家自然、顺利过渡到下一个运动,并最终实现真正的意图识别。
5。结论
根据CNN深度学习模型,智能下肢假肢的运动目的是公认的,和神经网络是建立一个网络。假肢运动模式下的运动参数进行调整,和深特性数据的自动提取。延迟的传统手工识别问题解决,和假肢的运动意图也真正的认识。与其他研究方法相比,CNN算法的准确性更高,这提供了一个基础,帮助残疾人实现稳定和顺利行走。然而,在这项研究模型的识别为每个类别不能达到100%,这将是今后研究的重点。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。