【《机器学习与深度学习在小腿假肢运动模式识别中的应用对比》11000字（论文）】.docxVIP

机器学习与深度学习在小腿假肢运动模式识别中的应用对比

目录

第一章引言 1

1.1研究背景与现状 2

1.2本文的主要内容 4

第二章动力小腿假肢运动模式识别问题中的分类算法 5

2.1机器学习算法 5

2.1.1二次判别分析 5

2.1.2支持向量机 5

2.2深度学习算法 6

2.2.1卷积神经网络 6

2.2.2循环神经网络 8

图2.3LSTM网络示意图 9

2.3实验分析 10

2.3.1实验环境与实验方法 10

2.3.2信号处理 12

2.3.3分类器的参数设置 12

2.3.4不同分类器之间的结果比较 14

第三章针对长期穿戴问题的自适应学习算法 16

3.1自适应学习算法 16

3.1.1自动标识 16

3.1.2模板生成 17

3.1.3分类器算法 18

3.2实验分析 18

参考文献 21

第一章引言

随着科学技术的进步，受到疾病、事故等影响而产生肢体或器官残疾的人群对于恢复行走功能的渴望日趋强烈，因此，通过为患者提供辅助装置，恢复正常功能的康复工程也日渐成熟。康复机器人技术将机器人技术引入康复工程领域，使得康复过程更加高效化、便捷化。目前康复机器人技术已经成为了国际机器人研究领域的一个研究热点(赵雅琪，孙浩宇，2022)[1]。

1第1章用了“顺序编码制索引文献”样式，采用后全文都只能采用这种方式。

康复机器人最早投入实际使用是在20世纪60年代，20世纪80年代是该技术发展的起步阶段，从20世纪末期开始，康复机器人的研发就进入到了全面发展时期(杨帆远，郭晓婷，2023)[2]。

假肢技术是康复机器人领域里面的一个重要分支，其主要面向人群是肢体伤残者。这一领域的研究展开的比较早，产品也比较完善。1990年以前，假肢的研究以被动式假肢为主，这种假肢通过弹性元件和储能元件来实现被动的依靠动能和势能的转化调节穿戴者的步速的目的(潘若琪，宋美玲，2021)3]。90年代以后，智能假肢的研究逐渐兴起。与传统的被动式假肢相比，从这些现象中显示智能假肢可以通过提取穿戴者的运动信息，智能化的判断穿戴者所处的环境，并据此自动化的调节假肢上的参数，使得残疾人能够更轻松自如的使用假肢(熊天佑，孟文轩，2021)[4]。

智能假肢根据其关节数量的多少，可以分为膝上假肢和膝下假肢两种，本文研究的侧重点在膝下假肢上。

1.1研究背景与现状

智能膝下假肢的概念于20世纪90年代后期产生，欧洲、美国以及日本的一些研究机构和公司在这一领域已经取得了较大的进展。来自冰岛的Ossur公司所研发的一款智能仿生假肢的实物如图1.1所示。从这些细节可以推测出这款主动型智能假肢在摆动相有一个电机用于调整被动弹性脚的角度，这一电机功率较小，无法跟残疾人提供主动助力(管晓峰，罗雪莉，2020)[5]。但是他可以通过假肢内嵌的微星处理器，实时处理传感器信息，根据步态，调整踝关节参数(张皓然，

王泽楷，2020)。

图1.1Ossur公司的ProprioFoot智能小腿假肢示意图

美国麻省理工学院的HughHerr等人通过研究人

和动物的生物力学模型，将其运动步态进行了分解和

建模，利用划分相位，首次将有限状态方法引入到了

智能踝关节的控制中，并取得了较好的实验效果(彭

志诚，韩启铭，2021)[6。该实验小组利用这一理论研

发了多款智能膝下假肢，现在已经推出了商业版本的

假肢Biom。这款假肢可以将残疾人的能量消耗降低

8.4%,并将踝关节的峰值功率提升54%(蔚锦程，顾清风，2021)[7]。

图1.2商业化假肢Biom

在控制实现上，从上述内容可见前人也做出了很多重要的成果。Ballard基于平衡点理论，使用阻尼弹簧模拟骨骼肌在人行走过程中存储及释放的能量，从而完成对假肢的控制[8]。Heliot等人通过最优控制模型来生成期望的运动轨迹，这一方法中的代价函数综合考虑了肌肉的激活、疲劳以及轨迹跟踪误差的因素191。类似的方法也应用在了膝上假肢的控制(邹羽凡、孙云飞、赵博文，2023)[10]。

人类的运动意图识别也是假肢控制中的重要一环11。识别系统根据人类运动信息作出判断，为假肢的运动模式切换提供依据，以完成不同地形下的运动(蒋志强，余奇倩，2018)[12-151。在这一领域中，在现有情况下人们通常会采用测量生物以及机械信号来记录残疾人残端肌肉的运动学信息