控制与决策

作者：盛敏,夏安琦,王可林,查红丽,吴红霞,苏本跃

单位：安庆师范大学 数理学院, 安徽 安庆 246133;安庆师范大学 安徽省智能感知与计算重点实验室, 安徽 安庆 246133,,安庆师范大学 数理学院, 安徽 安庆 246133;安庆师范大学 安徽省智能感知与计算重点实验室, 安徽 安庆 246133,,安庆师范大学 数理学院, 安徽 安庆 246133,,安庆师范大学 数理学院, 安徽 安庆 246133,,安庆师范大学 数理学院, 安徽 安庆 246133,,安庆师范大学 安徽省智能感知与计算重点实验室, 安徽 安庆 246133;铜陵学院 数学与计算机学院,安徽 铜陵 244061,

关键词：意图识别;膝关节角;几何特征;物理特征国;最值斜率;健侧

基金：国家自然科学基金项目(61603003)；安徽省科技重大专项项目(18030901021)；安徽省高校领军人才团队项目；安徽省高校优秀拔尖人才培育项目(gxbjZD26).

传统的意图识别方法所用传感器数量及种类较多,特征向量维数偏高,统计特征对短时样本具有不稳定性.将关节角表示的几何特征与加速度、角速度表示的物理特征有机融合并应用于智能下肢假肢的运动意图识别.首先,利用惯性测量单元于健侧大腿、小腿处采集的摆动相前期短时时序数据解算膝关节角,以获取大腿、小腿绕关节轴的转动特性;其次,对物理特征提取均值、方差以反映短时数据的平均水平及离散程度,对几何特征提取最值斜率以反映短时数据的局部变化率并弥补统计特征的不稳定性;最后,将几何特征与物理特征融合,采用支持向量机对13种日常行为进行分类.实验结果表明,对5类稳态模式:平地行走、上楼、下楼、上坡和下坡的识别率达到96.9%,对8类转换模式的识别率达到97.1%,对13种模式的识别率达到94.3%.仅用健侧两个传感器数据,通过特征融合构成25维的混合特征,实现了快速降维,降低了算法复杂度.

来源：2022年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第4期