动力假肢膝关节运动模式识别与轨迹预测方法研究
作者单位:上海大学
学位级别:硕士
导师姓名:王志明
授予年度:2023年
学科分类:1004[医学-公共卫生与预防医学(可授医学、理学学位)] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 10[医学]
主 题:动力假肢膝关节 运动模式识别 膝关节轨迹预测 支持向量机 神经网络
摘 要:根据中国残疾人联合会发布的数据,中国肢体残疾人数约2472万,在截肢患者中下肢截肢者占比约80%。动力假肢膝关节作为帮助大腿截肢者恢复运动的重要工具,能够识别运动模式并自适应调节运动轨迹,已经成为截肢者的迫切需求。然而,目前的研究仍存在运动模式识别准确性差和膝关节运动轨迹预测精度低等问题,这严重地影响了假肢的自适应调节性能。本文在查阅大量文献的基础上,设计了基于残肢侧运动信息的动力假肢膝关节连续运动控制模型,重点对模型中的运动模式识别和膝关节轨迹预测展开研究。在运动模式识别方面,识别准确率主要受到输入特征和识别算法的影响。本文首先提取残肢侧大腿运动数据的时域特征,结合足底角度组成输入特征向量用于运动模式识别;然后构建基于支持向量机(SVM)的运动模式识别模型,并采用递归式特征消除(RFE)算法对模型的输入特征进行筛选;最后通过实验对平地行走、上楼梯、下楼梯、上斜坡和下斜坡五种运动模式进行识别。结果表明,基于SVM-RFE的运动模式识别方法的识别准确率达到99.5%,比目前的K近邻和反向传播神经网络(BPNN)方法的准确率分别高出3%和1.5%。在膝关节轨迹预测方面,本文通过分析髋-膝关节运动的协调关系,提出基于大腿残肢运动信息的假肢膝关节轨迹预测方法,并结合运动模式识别,实现多种运动模式下的膝关节轨迹预测。针对模型输入特征少,有效信息挖掘不充分而导致膝关节轨迹预测精度低的问题,提出基于Cross-BP网络的膝关节轨迹预测模型,并进行模型结构参数设计。针对模型训练过程中容易陷入局部最优的问题,采用粒子群算法(PSO)优化模型参数。最后通过实验验证膝关节轨迹预测的效果。结果显示,对五种运动模式,Cross-BP网络预测的膝关节轨迹与真实膝关节轨迹的均方根误差(RMSE)分别为4.31°、3.94°、7.33°、3.86°和5.57°,相较于BPNN分别低了17.59%、30.14%、18.92%、15.35%和16.99%。为了验证运动模式识别和膝关节轨迹预测方法在总体控制系统中的可行性和准确性,根据动力假肢膝关节连续运动控制模型,搭建控制系统的软、硬件实验平台,并进行实验。结果表明,系统对运动模式的识别准确率达到98%;假肢膝关节运动轨迹与真实膝关节运动轨迹间的最低相关系数为0.917,高于目标值0.9。由此证明运动模式识别和膝关节轨迹预测方法的可行性和准确性。运动模式识别准确性和膝关节轨迹预测精度的提高,将有效地改善动力假肢膝关节的自适应调节性能,同时本研究成果能够为后期研究提供重要参考。