欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021106525107
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于加权KNN的人体意图识别方法,其特征在于:包括以下步骤:步骤1:让截肢患者穿戴假肢,进行步行、上坡、下坡、上楼梯、下楼梯五种步态的适应训练,进行正式数据采集前的准备工作;

让测试者穿戴假肢,进行步行、上坡、下坡、上楼梯、下楼梯五种步态运动,并使用IMU、膝关节编码器、压力传感器进行数据采集;

分别比较不同时间窗下KNN算法对于五种步态分类的准确度;分别测试在脚跟着地前

100ms、200ms、300ms、400ms及脚跟着地后100ms、200ms、300ms、400ms及脚跟着地前50ms至后50ms总长度为100ms、前100ms至后100ms总长度为200ms、前150ms至后150ms总长度为

300ms、前200ms至后200ms总长度为400ms;通过比较,最后选择在脚跟着地前100ms至后

100ms设置长度为200ms时间窗,进行试验的原始数据采样;

采用200ms时间窗对原始数据进行采样,进行时域分析,选取最大值、最小值、均值、标准差作为特征值,对选取的特征值进行数据归一化处理;采用200ms时间是指脚跟着地前

100ms到脚跟着地后100ms;

步骤2:使用K‑Fold交叉验证,K=5,分割训练集和测试集;使用加权KNN算法对测试集数据进行测试,离测试点越近的邻居给予越高的权重,最后判断出测试点属于哪一类运动状态;

设置K值为1到15,通过计算测试集所有数据的成功率比较,选取准确率最高的K值,作为我们假肢测试中的KNN算法中的K1值,相同的标准也选取出次高的K2值,再次高的K3值,当准确率数值相同或相近时,距离中位数K=8越近的值,优先级越高;

步骤3:利用选出的K1值,再次对测试集进行训练,并对每一个数据所选出的K1个邻居进行加权投票,距离最近的邻居给予更大的权值投票值,在所有数据都测试完毕后,统计每类标签下,累计投票值最大的前K1个值,共同组成人体测试数据池1;也分别对K2、K3值也进行同样训练操作,分别构成人体测试数据池2和人体测试数据池3;

人体测试数据池分为固定池和更替池;固定池内数据为固定不变的,更替池中距离新采集到的数据最远的点将会被剔除,由人体测试新采集到的数据补上;

步骤4:让已经完成适应准备工作的截肢患者再次进行人体测试,运动中新产生的数据,使用加权KNN算法,计算与人体测试数据池中已有数据的距离,根据前K1个邻居中K2和K3,各分类的加权值累加比较,将三个KNN分类器分类结果的预测精度加权后取最高值为最终的预测结果;实现运动中的人体意图识别;新判断的数据会连同被分类的标签一起补充到更替池1、2、3中,更替池中距离新采集到的数据最远的点将被剔除;

对于使用K1值的KNN1分类器,给与它的预测结果一个高的权重ω1=1.01,对于使用K2值的KNN2分类器,给与它的预测结果一个正常的权重ω2=1,对于使用K3值的KNN3分类器,给与它的预测结果一个较低的权重ω3=0.99;

由于人体测试数据池中的数据,是由被测试人预测试阶段提取的,使用3个KNN分类器分别进行分类,将三个KNN分类器分类结果的预测精度加权后取最高值为最终的预测结果;

所以虽然数据数量大大减少,但是准确率并没有影响,从而解决了原始KNN算法计算量大的缺陷;持续在同一运动状态下进行运动,会有大量相同分类的数据补充进更替池,由此减少同一步态行走下的稳态误差,提高分类准确率;由于固定池的存在,能够保证在步态转换下的正常分类。