买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：吉林大学

摘要：一种基于LR‑ELM的下肢假肢运动识别方法属在线模式识别技术领域，本发明包括下列步骤：采集8名左侧膝上截肢患者的九种运动状态实验数据；使用特征处理后的数据训练改进ELM分类模型；保存隐含层输入权值ωbest和均值偏差矩阵B等参数；编写预测函数进行多种运动状态的实时预测；本发明利用LR算法和KNN算法结构简单的优势，对ELM算法进行结构改进，能有效缩减隐含层节点数量，减少待保存参数；利用PSO算法和BBO算法分别对隐含层偏差定向寻找最优解和优化每一维数据权重值，能大大提高算法准确率，实现实时预测截肢患者运动意图的功能。

主权项：1.一种基于LR-ELM的下肢假肢运动识别方法，其特征在于：包括下列步骤：1.1获取残障人士受试者穿戴膝踝联动假肢进行九种日常运动状态时，假肢上各传感器采集到的动作数据，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7名男性残障人士受试者和1名女性残障人士受试者的慢速水平行走、正常速水平行走、快速水平行走、上坡、下坡、坐、站、上楼和下楼运动时的数据；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、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，共15通道的传感器数据；1.1.3预处理：对步骤1.1.2采集的数据进行去噪、去除有缺失项的异常数据，并对正常数据加上分类标签，包括九种日常稳定状态运动模式标签；1.1.4使用固定200ms时间窗，截取每个步态周期中脚跟着地状态后传感器数据，提取各维数据的2种时域特征值，包括：均值和标准差，公式为：均值：标准差：其中：Xi为采样样本；n为200ms时间窗内采样样本数；1.2基于Logisticregression分类器改进的ELM算法，简称：LR-ELM算法，能够大幅度减少需要保存的参数个数，仿照KNN算法结构，对不同待测样本使用不同的偏差向量，实现实时人体意图识别判断，包括下列步骤：1.2.1将8名受试者特征提取后的实验数据，输入到LogisticRegression分类器，获得系数向量ωLR和截距bLR，训练方法如下：1.2.1.1LogisticRegression分类器使用sklearn.linear_model库中的LogisticRegression模型；1.2.1.2使用受试者数据提取出的特征值训练LogisticRegression分类器，保存LogisticRegression.coef_和LogisticRegression.intercept_作为系数向量ωLR和截距bLR；其中：表示划分分类1与其他分类的边界拟合曲线的系数向量的转置；D为数据维数；m为分类数；1.2.2对ELM算法结构进行改进，使用分类数作为隐含层节点数，其中输入权值ω和隐含层偏差b不完全使用随机生成，组成公式如下：ω＝ωLR+rndωb＝bLR+bpso其中：b＝[b1,…,bm]；ωLR和bLR为使用LR分类器输出的系数向量和截距；随机数rndω∈[-0.2,0.2]；为使用粒子群算法生成的粒子，迭代次数为50次，粒子规模为150，保存使ELM分类器达到最优精度时的输入权值和隐含层偏差m为分类数；1.2.3再次训练改进ELM分类器，其中隐含层节点的输入权值使用步骤1.2.2训练得到的ωbest，而每个样本使用不完全相同的隐含层偏差brnd，brnd组成如下：brnd＝bbest+rndb其中：bbest为步骤1.2.2训练得到的最优隐含层偏差；随机数随机隐含层偏差如果一个样本点被正确分类，保存该点的偏差矩阵，将每一类中所有偏差矩阵的均值组成分类均值偏差矩阵B； 其中：表示分类1的均值偏差向量的转置；m为分类数；1.2.4在每一类中，使用K-Means聚类算法得到聚类中心点，在改进ELM分类器中输入一个未分类的点，首先计算该点与每个类的聚类中心的欧氏距离，选取距离值最小的类的均值偏差向量作为该点在改进ELM算法中使用的偏差：1.2.5使用BBO算法，对数据进行权重优化，优化训练每一维数据的权重值，BBO算法中的适应度函数为改进ELM分类器的错误样本数，选择迭代500次中，适应度函数值最小的那组物种解，作为改进ELM分类器的各维数据的权重值；1.2.6使用步骤1.2.2得到的输入权值ωbest，步骤1.2.3中得到的分类均值偏差矩阵B和利用广义逆计算得到的输出权值矩阵β，步骤1.2.4中得到的各分类聚类中心矩阵K编写预测函数代码，移植到STM32单片机中，进行实时预测；其中：D为数据维数，m为分类数。

全文数据：

权利要求：

百度查询： 吉林大学 一种基于LR-ELM的下肢假肢运动识别方法