【《深度學(xué)習(xí)算法在小腿假肢運(yùn)動(dòng)模式識(shí)別中的應(yīng)用及自適應(yīng)學(xué)習(xí)研究》11000字（論文）】

深度學(xué)習(xí)算法在小腿假肢運(yùn)動(dòng)模式識(shí)別中的應(yīng)用及自適應(yīng)學(xué)習(xí)研究 11.1研究背景與現(xiàn)狀 2 4第二章動(dòng)力小腿假肢運(yùn)動(dòng)模式識(shí)別問題中的分類算法 52.1機(jī)器學(xué)習(xí)算法 5 52.1.2支持向量機(jī) 52.2深度學(xué)習(xí)算法 62.2.1卷積神經(jīng)網(wǎng)絡(luò) 62.2.2循環(huán)神經(jīng)網(wǎng)絡(luò) 8圖2.3LSTM網(wǎng)絡(luò)示意圖 92.3實(shí)驗(yàn)分析 2.3.1實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)方法 2.3.2信號(hào)處理 2.3.3分類器的參數(shù)設(shè)置 2.3.4不同分類器之間的結(jié)果比較 第三章針對(duì)長(zhǎng)期穿戴問題的自適應(yīng)學(xué)習(xí)算法 3.1自適應(yīng)學(xué)習(xí)算法 3.1.1自動(dòng)標(biāo)識(shí) 3.1.3分類器算法 3.2實(shí)驗(yàn)分析 21隨著科學(xué)技術(shù)的進(jìn)步，受到疾病、事故等影響而產(chǎn)生肢體或器官殘疾的人群對(duì)于恢復(fù)行走功能的渴望日趨強(qiáng)烈，因此，通過為患者提供輔助裝置，恢復(fù)正常功能的康復(fù)工程也日漸成熟?？祻?fù)機(jī)器人技術(shù)將機(jī)器人技術(shù)引入康復(fù)工程領(lǐng)域，使得康復(fù)過程更加高效化、便捷化。目前康復(fù)機(jī)器人技術(shù)已經(jīng)成為了國(guó)際機(jī)器人研究領(lǐng)域的一個(gè)研究熱點(diǎn)(王麗萍，劉思遠(yuǎn)，2022)[1]。康復(fù)機(jī)器人最早投入實(shí)際使用是在20世紀(jì)60年代，20世紀(jì)80年代是該技術(shù)發(fā)展的起步階段，從20世紀(jì)末期開始，康復(fù)機(jī)器人的研發(fā)就進(jìn)入到了全面發(fā)展時(shí)期(陳明哲，何靜怡，2023)[2]。假肢技術(shù)是康復(fù)機(jī)器人領(lǐng)域里面的一個(gè)重要分支，其主要面向人群是肢體傷殘者。這一領(lǐng)域的研究展開的比較早，產(chǎn)品也比較完善。1990年以前，假肢的研究以被動(dòng)式假肢為主，這種假肢通過彈性元件和儲(chǔ)能元件來實(shí)現(xiàn)被動(dòng)的依靠動(dòng)能和勢(shì)能的轉(zhuǎn)化調(diào)節(jié)穿戴者的步速的目的(龔宇辰，丁博文，2021)3]。90年代以后，智能假肢的研究逐漸興起。與傳統(tǒng)的被動(dòng)式假肢相比，這在一定范圍內(nèi)顯示了智能假肢可以通過提取穿戴者的運(yùn)動(dòng)信息，智能化的判斷穿戴者所處的環(huán)境，并據(jù)此自動(dòng)化的調(diào)節(jié)假肢上的參數(shù)，使得殘疾人能夠更輕松自如的使用假肢(史俊豪，費(fèi)澤楷，2021)[4]。智能假肢根據(jù)其關(guān)節(jié)數(shù)量的多少，可以分為膝上假肢和膝下假肢兩種，本文研究的側(cè)重點(diǎn)在膝下假肢上。智能膝下假肢的概念于20世紀(jì)90年代后期產(chǎn)生，歐洲、美國(guó)以及日本的一些研究機(jī)構(gòu)和公司在這一領(lǐng)域已經(jīng)取得了較大的進(jìn)展。來自冰島的Ossur公司所研發(fā)的一款智能仿生假肢的實(shí)物如圖1.1所示。根據(jù)現(xiàn)有結(jié)果可推斷這款主動(dòng)型智能假肢在擺動(dòng)相有一個(gè)電機(jī)用于調(diào)整被動(dòng)彈性腳的角度，這一電機(jī)功率較小，無法跟殘疾人提供主動(dòng)助力(陳偉宸，李思茹，2022)[5]。但是他可以通過假肢內(nèi)嵌的微星處理器，實(shí)時(shí)處理傳感器信息，根據(jù)步態(tài)，調(diào)整踝關(guān)節(jié)參數(shù)(林煜城，美國(guó)麻省理工學(xué)院的HughHerr等人通過研究人和動(dòng)物的生物力學(xué)模型，將其運(yùn)動(dòng)步態(tài)進(jìn)行了分解和建模，利用劃分相位，首次將有限狀態(tài)方法引入到了智能踝關(guān)節(jié)的控制中，并取得了較好的實(shí)驗(yàn)效果(李文博，王志遠(yuǎn)，2018)[6。該實(shí)驗(yàn)小組利用這一理論研發(fā)了多款智能膝下假肢，現(xiàn)在已經(jīng)推出了商業(yè)版本的假肢Biom。這款假肢可以將殘疾人的能量消耗降低8.4%,并將踝關(guān)節(jié)的峰值功率提升54%(孫博宇，周澤楷，2021)[7。圖1.2商業(yè)化假肢Biom在控制實(shí)現(xiàn)上，根據(jù)以上發(fā)現(xiàn)前人也做出了很多重要的成果。Ballard基于平衡點(diǎn)理論，使用阻尼彈簧模擬骨骼肌在人行走過程中存儲(chǔ)及釋放的能量，從而完成對(duì)假肢的控制8]。Heliot等人通過最優(yōu)控制模型來生成期望的運(yùn)動(dòng)軌跡，這一方法中的代價(jià)函數(shù)綜合考慮了肌肉的激活、疲勞以及軌跡跟蹤誤差的因素9]。類人類的運(yùn)動(dòng)意圖識(shí)別也是假肢控制中的重要一環(huán)11。識(shí)別系統(tǒng)根據(jù)人類運(yùn)動(dòng)信息作出判斷，為假肢的運(yùn)動(dòng)模式切換提供依據(jù)，以完成不同地形下的運(yùn)動(dòng)(付測(cè)量生物以及機(jī)械信號(hào)來記錄殘疾人殘端肌肉的運(yùn)動(dòng)學(xué)信息(陳奇遠(yuǎn)，趙麗萍，算法也廣泛使用，針對(duì)特定的模式識(shí)別任務(wù)以及評(píng)估方法，經(jīng)過專門調(diào)整的機(jī)器學(xué)習(xí)算法可以使任務(wù)的識(shí)別率達(dá)到95%以上(繆天朗，盛月華，2018)。對(duì)于殘疾者來說，在此情境之中尤其是下肢殘疾者，穿脫假肢是他們幾乎每天都會(huì)進(jìn)行的事情。然而由于集成在假肢端的傳感系統(tǒng)不穩(wěn)定，或者假肢與殘疾人之間相對(duì)位置的改變等因素影響，識(shí)別系統(tǒng)在處理跨天的長(zhǎng)時(shí)段數(shù)據(jù)時(shí)，識(shí)別一定范圍內(nèi)擴(kuò)大訓(xùn)練數(shù)據(jù)集的規(guī)模，可以使識(shí)別模型的泛化效果更好，從中可看出其變化但對(duì)于假肢使用這一具體領(lǐng)域，頻繁更新訓(xùn)練數(shù)據(jù)集，并對(duì)識(shí)別模型的為解決類似的問題，嘗試使用深度學(xué)習(xí)的方法來提高模型的泛化能力是一個(gè)可以探索的方向，但是目前針對(duì)小腿假肢領(lǐng)域運(yùn)動(dòng)模式識(shí)別問題的深度學(xué)習(xí)研究數(shù)量還相對(duì)較少(陳澤和、許凌云、鄭向星，2023)。這在一定程度上預(yù)示了另外一個(gè)可嘗試的方向是使用自適應(yīng)學(xué)習(xí)的算法來處理跨天的長(zhǎng)時(shí)間段模式識(shí)別任務(wù)。在相關(guān)的研究中，使用自適應(yīng)學(xué)習(xí)策略，可以將跨天的運(yùn)動(dòng)模式識(shí)別任務(wù)的準(zhǔn)確率從60%提升到88.8%(趙宇軒，孫悅琳，2018)[21]。但在該研究中，被試的每次試驗(yàn)的間隔天數(shù)并沒有被嚴(yán)格控制，且總天次也只有兩到三天，相對(duì)較少，所以結(jié)論還有優(yōu)化的空間(黃志強(qiáng)，何偉明，2020)。本研究主要包括兩個(gè)部分的內(nèi)容。首先針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)算法在處理長(zhǎng)時(shí)間穿戴過程中，模型泛化能力較弱的問題，研究者在模式識(shí)別中使用了卷積神經(jīng)網(wǎng)絡(luò)以及循環(huán)神經(jīng)網(wǎng)絡(luò)這兩種深度學(xué)習(xí)的算法，將跨天實(shí)驗(yàn)數(shù)據(jù)的交叉檢驗(yàn)識(shí)別結(jié)果的識(shí)別率從平均84%提高到了91%,這在某種程度上昭示了并對(duì)兩種深度神經(jīng)網(wǎng)絡(luò)的模型參數(shù)對(duì)于不同被試之間的泛化能力做了比較(王悅婷，魏嘉怡，2020)。最終得出了循環(huán)神經(jīng)網(wǎng)絡(luò)在處理長(zhǎng)時(shí)間穿戴情況下的假肢運(yùn)動(dòng)模式識(shí)別問題時(shí)有較好的表現(xiàn)這一結(jié)論。在數(shù)據(jù)分析方法的選擇上，本文不僅采用了傳統(tǒng)的統(tǒng)計(jì)分析手段，如描述性統(tǒng)計(jì)、回歸分析等，還引入了近年來發(fā)展迅速的數(shù)據(jù)挖掘技術(shù)和算法。例如通過使用聚類分析來識(shí)別數(shù)據(jù)中的潛在模式，或者利用決策樹算法來預(yù)測(cè)未來趨勢(shì)。這些先進(jìn)的方法為深入理解復(fù)雜現(xiàn)象提供了強(qiáng)有力的支持，并有助于揭示隱藏在海量數(shù)據(jù)背后的深層次關(guān)系。此外，本文還特別強(qiáng)調(diào)了混合方法的應(yīng)用，即將定量研究與定性研究相結(jié)合，以獲得更加全面的研究視角。另外，是針對(duì)動(dòng)力假肢長(zhǎng)期穿戴過程中，不斷有新的數(shù)據(jù)可以被采集來調(diào)整模型的特點(diǎn)，采用了針對(duì)不同模式識(shí)別方法的自適應(yīng)學(xué)習(xí)的算法，設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證了這種算法的有效性，并且得出了訓(xùn)練與測(cè)試組間的間隔時(shí)長(zhǎng)與識(shí)別效果第二章動(dòng)力小腿假肢運(yùn)動(dòng)模式識(shí)別問題中的分類算法2.1機(jī)器學(xué)習(xí)算法判別分析(DiscriminantAnalysis)是一種傳統(tǒng)分類方法，它通過一個(gè)已知類別的“訓(xùn)練樣本”來建立判別準(zhǔn)則，并通過預(yù)測(cè)變量來為未知類別的數(shù)據(jù)進(jìn)行分是其中一種，也是模式識(shí)別的經(jīng)典算法，在1996年由Belhumeur引入模式識(shí)別和人工智能領(lǐng)域。LDA以Bayes判別思想為基礎(chǔ)，當(dāng)分類只有兩種，并且在總體陳昊宇，2023)?；舅枷胧菍⒏呔S的模式樣本投影到最佳鑒別矢量空間，以達(dá)到抽取分類信息和壓縮特征空間維數(shù)的效果，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類內(nèi)距離，即該模式在此空間中有最佳的可分離性(傅是另外一種線性判別分析算法，二者擁有類似的算法特征，區(qū)別僅在于：當(dāng)不同分類樣本的協(xié)方差矩陣相同時(shí)，使用線性判別分析；當(dāng)不同分類樣本的協(xié)方差矩2.1.2支持向量機(jī)支持向量機(jī)(SupportVectorMachine,SVM)是由Vapnik領(lǐng)導(dǎo)的AT&TBell實(shí)驗(yàn)室研究小組在1995年提出的一種新的非常有潛力的分類技術(shù)，SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，主要應(yīng)用于模式識(shí)別領(lǐng)域。由于當(dāng)時(shí)這些研直到90年代，統(tǒng)計(jì)學(xué)習(xí)理論的實(shí)現(xiàn)和由于神經(jīng)網(wǎng)絡(luò)等較新興的機(jī)器學(xué)習(xí)方部極小點(diǎn)問題等，使得SVM迅速發(fā)展和完善，在解決小樣本、非線性及高維模SVM的主要思想是針對(duì)兩類分類問題，尋找一個(gè)超平面作為兩類訓(xùn)練樣本面是使得每一類數(shù)據(jù)與超平面距離最近的向量與超平面之間的距離最大的這樣2.2深度學(xué)習(xí)算法2.2.1卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork,CNN)是近年發(fā)展起來，并引起廣泛重視的一種高效識(shí)別方法。20世紀(jì)60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時(shí)發(fā)現(xiàn)其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地而得到了更為廣泛的。K.Fukushima在1980年提出的新識(shí)別機(jī)是卷積神經(jīng)網(wǎng)絡(luò)果可推斷其中，具有代表性的研究成果是Alexander和Taylor提出的“改進(jìn)認(rèn)知機(jī)”,該方法綜合了各種改進(jìn)方法的優(yōu)點(diǎn)并避免了耗時(shí)的誤差反向傳播(孫志運(yùn)動(dòng)模式識(shí)別結(jié)果卷積層IMU數(shù)據(jù)池化層卷積層池化層根據(jù)以上發(fā)現(xiàn)在實(shí)驗(yàn)過程中，研究者主要使用的CNN網(wǎng)絡(luò)結(jié)果如圖2.1所行卷積，提取公共特征。卷積核的初始權(quán)值是隨機(jī)設(shè)處在網(wǎng)絡(luò)不斷的接受新的訓(xùn)練數(shù)據(jù)，并通過反向傳播算過程中，卷積核的權(quán)值漸漸收斂到一個(gè)穩(wěn)定的值，這文暫不進(jìn)行詳細(xì)闡述，時(shí)間因素是一個(gè)不可忽一個(gè)漫長(zhǎng)的旅程，尤其是在探索復(fù)雜問題或現(xiàn)象、分析數(shù)據(jù)并得出可靠的結(jié)論。盡管本研究已經(jīng)要對(duì)所有結(jié)論進(jìn)行全面且細(xì)致的驗(yàn)證，還需要更長(zhǎng)時(shí)間驗(yàn)。這不僅有助于排除偶然因素的干擾，也能確保研究成和普遍適用性。此外，技術(shù)手段的發(fā)展水平同樣影科技的進(jìn)步，新的研究工具和技術(shù)不斷涌現(xiàn)，為科學(xué)研究提供了更多可能除了卷積核權(quán)值這一參數(shù)外，卷積核的大小、卷積核的個(gè)數(shù)這兩個(gè)參數(shù)則人為設(shè)定，它們對(duì)于最終識(shí)別率的影響也很大。在此情境之中圖中的S層表示池化層，它一般與卷積層交替出現(xiàn)。這一層的主要目數(shù)據(jù)進(jìn)行池化而降低數(shù)據(jù)的維度，在降低運(yùn)算量的池化方式是對(duì)前一層數(shù)據(jù)進(jìn)行一定比例的劃分后，文通過收集大量且細(xì)致的數(shù)據(jù)，對(duì)理論框架進(jìn)據(jù)不僅涵蓋了廣泛的研究對(duì)象，還跨越了多個(gè)時(shí)間有效檢驗(yàn)原理論框架中的假設(shè)，并揭示其潛在的缺2.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrentneuralnetwork,RNN)是一種用來處理序列數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)。從中可看出其變化在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型中，是從輸入藏層之間的節(jié)點(diǎn)不再是無連接的而是有連接的，并且隱藏列數(shù)據(jù)進(jìn)行處理。這在一定程度上預(yù)示了圖2.2展示了一個(gè)標(biāo)準(zhǔn)的循環(huán)神經(jīng)網(wǎng)絡(luò)展開圖。其中U表示輸入到隱藏的連接權(quán)重矩陣，W表示隱藏層內(nèi)部節(jié)點(diǎn)之曦，2021)。作為循環(huán)神經(jīng)網(wǎng)絡(luò)的發(fā)展，門控RNN的概念被廣泛使用，他的想法是依靠short-termmemory,LSTM)模型是門控RNN的代表之一，其核心思想是將自循環(huán)的權(quán)重變?yōu)榭梢宰晕艺{(diào)節(jié)的，這樣在累計(jì)的時(shí)調(diào)整。圖2.3展示了一個(gè)LSTM模型的展開形式，這在某種程度上昭示了圖2.2中隱藏層節(jié)點(diǎn)被替換為圖2.3中的“細(xì)胞”。輸入特征在通過輸入門的判斷后，累加到狀態(tài)中，狀態(tài)單元的自循環(huán)則由遺忘門控制VVVWWWUUUUUW圖2.3LSTM網(wǎng)絡(luò)示意圖2.3.1實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)方法本實(shí)驗(yàn)共采集了6名小腿截肢殘疾人被試的數(shù)據(jù)，這6名被試均為男性，其重為73.5±5.4公斤，平均身高為175.3±8.5厘米時(shí)間為13.2±11.2年。根據(jù)MedicareFunctXX遺忘門在這項(xiàng)研究中，這在一定范圍內(nèi)顯示了集成在假肢上的IMU所提供的運(yùn)動(dòng)IMU集成三軸陀螺儀和三軸加速度計(jì)，所以每個(gè)IMU都能夠提供包含3軸加速度和3軸角速度信息的原始信號(hào)。一種基于方向余弦矩信號(hào)[23],遵循此理論框架進(jìn)行系統(tǒng)分析可得出進(jìn)而得到全局坐標(biāo)系中的仰角和滾動(dòng)角。IMU1的俯仰角為人體的矢狀面，而滾動(dòng)角則為冠狀面。IMU2的俯仰角為人體的冠狀面，滾動(dòng)角為矢狀面(許博瀚，馬欣怡，2019)。在資料收集中，本文利用了問卷分發(fā)、實(shí)地考察和參考前人研究成果等多元途徑，試圖從多個(gè)層面積累豐富的原始數(shù)據(jù)。經(jīng)由對(duì)這些資料的科學(xué)整理與分析，本文證實(shí)了最初的假設(shè)并找到了數(shù)據(jù)中的邏輯線索。盡管如此，本文也看到了當(dāng)前研究的不足之處，希望將來能在樣本擴(kuò)展、方法革新和理論完善等方面做出改進(jìn)。位于假肢腳板上的力傳感器可以用來記錄步態(tài)信息。所有信號(hào)均以100Hz的頻率采樣并傳輸?shù)娇刂齐娐飞线M(jìn)行同步，采樣數(shù)據(jù)也同時(shí)通過藍(lán)牙被傳輸?shù)接?jì)算機(jī)上，以進(jìn)行存儲(chǔ)及后續(xù)分析。實(shí)驗(yàn)場(chǎng)景如圖所示，一個(gè)長(zhǎng)約15米的平臺(tái)中包括了樓梯、平地以及斜坡三種地形。為了方便對(duì)被試的每一步進(jìn)行標(biāo)記，這在某種程度上揭露研究者預(yù)先在平臺(tái)上標(biāo)記出了固定的落腳點(diǎn)，實(shí)驗(yàn)時(shí)要求被試按照標(biāo)記點(diǎn)進(jìn)行行走(林浩然，龔亞楠，2020)。在一組實(shí)驗(yàn)中，被試需要保持一個(gè)平穩(wěn)的速率，從平臺(tái)的一端走向另外一端，之后再反方向走回來。整個(gè)過程中，被試會(huì)經(jīng)歷上斜坡、下斜坡、平地走、上樓梯、下樓梯五種不同的地形，這五種地形將作為模式識(shí)別的分類標(biāo)根據(jù)現(xiàn)有結(jié)果可推斷被試在一天內(nèi)會(huì)進(jìn)行48組實(shí)驗(yàn)，其中上下午給進(jìn)行24組(張婷文，劉澤洋，2020)。為了消除被試假肢與健側(cè)腿的區(qū)別，每半天的24組實(shí)驗(yàn)中包括先邁出健側(cè)腿的12組實(shí)驗(yàn)，以及先邁出假肢的12組實(shí)驗(yàn)，兩者輪流進(jìn)行。同一半天的實(shí)驗(yàn)間會(huì)提供1分鐘的休息時(shí)間，根據(jù)以上發(fā)現(xiàn)被試不會(huì)穿脫接受腔。而上午和下午的24組之間會(huì)提供兩小時(shí)的休息時(shí)間，且要求被試在此期間2.3.2信號(hào)處理研究者在處理由IMU采集到的原始信號(hào)時(shí)，使用限三個(gè)特征值的選取是在研究者進(jìn)行了一定范然，鄭琳娜，2023)。2.3.3分類器的參數(shù)設(shè)置對(duì)于SVM算法，研究者在文中使用一對(duì)一法來完成多分類任務(wù)，共計(jì)10種對(duì)于CNN算法，這在一定程度上預(yù)示了表2.1中展示了不同參數(shù)下的識(shí)別積核數(shù)量和每個(gè)下采樣層的分區(qū)比例在內(nèi)的幾個(gè)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)是影響識(shí)別率高低的主要參數(shù)。該結(jié)果是被試1的同天內(nèi)組間交叉檢驗(yàn)的果來尋找最佳識(shí)別率UXU。網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)速率25,5,2(C1)-2,1(S1)-5,4,25,5,2(C1)-2,1(S1)-8,4,25,5,2(C1)-2,1(S1)-8,4,25,5,2(C1)-2,1(S1)-8,4,15,5,2(C1)-2,1(S1)-8,4,2這在一定范圍內(nèi)顯示了對(duì)于RNN算法，表2.2展示了不同結(jié)構(gòu)以及參數(shù)下的識(shí)別結(jié)果比較?？梢钥闯觯琇STM門控結(jié)構(gòu)的引入可以提高算法的識(shí)別準(zhǔn)確率。同時(shí)隱藏節(jié)點(diǎn)的個(gè)數(shù)也會(huì)對(duì)識(shí)別率產(chǎn)生影響。被試在進(jìn)行實(shí)驗(yàn)時(shí)，完成一個(gè)完整的步態(tài)周期所需要的時(shí)間大概是1200ms左右，遵循此理論框架進(jìn)行系統(tǒng)分析可得出而輸入數(shù)據(jù)的滑動(dòng)窗長(zhǎng)度為300ms,間隔為10ms,因此每100組輸入數(shù)據(jù)可以大致視為一個(gè)完整的步態(tài)周期(高宇和，王雪瑩，2022)。從實(shí)驗(yàn)結(jié)果來看，當(dāng)隱藏層節(jié)點(diǎn)個(gè)數(shù)在一個(gè)完整步態(tài)周期的兩倍左右時(shí)，識(shí)別效果可以達(dá)到最佳。本文的框架模型建立在現(xiàn)有理論基礎(chǔ)之上，無論是在信息流動(dòng)還是數(shù)據(jù)分析方法上，都體現(xiàn)了對(duì)前人研究成果的尊重與繼承，并在此基礎(chǔ)上進(jìn)行了創(chuàng)新與發(fā)展。首先，在信息流動(dòng)的設(shè)計(jì)方面，本文借鑒了經(jīng)典的信息處理理論，確保信息從采集、傳輸?shù)椒治龅拿恳粋€(gè)環(huán)節(jié)都能夠高效且準(zhǔn)確地進(jìn)行。通過對(duì)數(shù)據(jù)來源的嚴(yán)格篩選和標(biāo)準(zhǔn)化處理流程，使得信息的質(zhì)量得到了有效保障，從而也能夠更好地注重信息流動(dòng)的透明度與可追溯性。是否使用LSTM結(jié)構(gòu)隱藏層內(nèi)節(jié)點(diǎn)個(gè)數(shù)識(shí)別率2.3.4不同分類器之間的結(jié)果比較間隔(天)被試1261被試2281被試32222被試5222——表2.3展示了所有被試參與的實(shí)驗(yàn)組數(shù)以及每次實(shí)驗(yàn)之間的間隔天數(shù)。如果同天內(nèi)實(shí)驗(yàn)組數(shù)為2,則為上午下午各進(jìn)行了一組實(shí)驗(yàn)，如果實(shí)驗(yàn)組數(shù)為1,則SVM的識(shí)別率是明顯高于QDA的，事實(shí)上在過去的研究中SVM在高維度數(shù)據(jù)項(xiàng)目上的表現(xiàn)則介于前兩者之間，而RNN的識(shí)別率全面高于前三者，根據(jù)以上發(fā)現(xiàn)這一結(jié)果與RNN在處理時(shí)序信號(hào)上有的識(shí)別準(zhǔn)確度，但這在實(shí)際應(yīng)用中很難實(shí)現(xiàn)，而RNN的固定參數(shù)設(shè)置則在不同被試1被試60.84980.8665鑒于前述分析表明2.5中展示了以某一天的上午(或下午)數(shù)據(jù)作為訓(xùn)練組、以另一天的上午(或下午)數(shù)據(jù)作為檢驗(yàn)組的交叉檢驗(yàn)結(jié)果。由于被試6只進(jìn)行了一天的實(shí)驗(yàn)，故而他的數(shù)據(jù)并未進(jìn)行這一組以及后一組的組間交叉檢驗(yàn)。通過對(duì)比表2.4和表2.5,我們可以看出，如果訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)之間相隔了一天以上，那么識(shí)別率就有一定程度的下降，在歷史與現(xiàn)實(shí)交匯處且隨著間隔時(shí)間的增長(zhǎng)，識(shí)別率下降的程度就越大。在分類器的比對(duì)上，這一組實(shí)驗(yàn)的結(jié)果與第一組相同，明顯可以看出RNN的識(shí)別率高于前3者。QDA的識(shí)別率SVM的識(shí)別率CNN的識(shí)別率RNN的識(shí)別率被試1被試2被試3被試4被試5第三組實(shí)驗(yàn)是以不同時(shí)段的三組數(shù)據(jù)作為訓(xùn)練組、以另外時(shí)段的一組數(shù)據(jù)作為測(cè)試組，結(jié)果如表2.6所示。在此情境之中同過對(duì)比表2.4和表2.6,我們可以看出，通過加入更多時(shí)段的數(shù)據(jù)進(jìn)行訓(xùn)練，步態(tài)識(shí)別的準(zhǔn)確率會(huì)上升。這一結(jié)果意味著殘疾人穿戴假肢進(jìn)行越多的訓(xùn)練，從中可看出其變化智能假肢的步態(tài)識(shí)別率也會(huì)上升。值得注意的是，被試4在這一組實(shí)驗(yàn)中識(shí)別率略有下降，研究者認(rèn)為這可能是由于三組訓(xùn)練數(shù)據(jù)中有一組與測(cè)試組相隔的時(shí)間過長(zhǎng)所致，在將這組數(shù)據(jù)換成時(shí)間上更為接近的數(shù)據(jù)后，識(shí)別率又有所提升。QDA的識(shí)別率SVM的識(shí)別率CNN的識(shí)別率被試1最后，再來綜合比較一下四種分類器的優(yōu)劣(龔宇辰，丁博文，2021)。QDA的識(shí)別率則全面低于SVM。在深度學(xué)習(xí)網(wǎng)絡(luò)中，CNN在識(shí)別率上不及SVM,這在一定程度上預(yù)示了而RNN的識(shí)別率又全面高于另外三者。從運(yùn)算速度來說，QDA與SVM的訓(xùn)練時(shí)間明顯短與CNN據(jù)分析來說，是深度神經(jīng)網(wǎng)絡(luò)的一個(gè)劣勢(shì)。但是對(duì)者之間的差別就沒那么明顯了，而在假肢的日常要的指標(biāo)，因?yàn)橛?xùn)練過程可以通過定期更新的方式離線進(jìn)昭示了在線部分只做新數(shù)據(jù)的分類(史俊豪，費(fèi)澤楷，2021)。另外，深度神經(jīng)網(wǎng)絡(luò)的使用效果也可能會(huì)隨著訓(xùn)練數(shù)據(jù)量的第三章針對(duì)長(zhǎng)期穿戴問題的自適應(yīng)學(xué)習(xí)算法3.1自適應(yīng)學(xué)習(xí)算法新知識(shí)并增加知識(shí)庫的方式，它影響著知識(shí)的增長(zhǎng)(陳偉宸，李思茹，2022)。3.1.1自動(dòng)標(biāo)識(shí)用了一種基于動(dòng)態(tài)時(shí)間規(guī)整(dynamictimewarpi在時(shí)域上有一定彈性的信號(hào)時(shí)效果很好。DTW方法的目的是將一個(gè)一定長(zhǎng)度的P?=(1,1),pk=(J,I),pk=(jk,ik)∈[1,J]×[1,1],k∈[1,K],那么路徑P的總代價(jià)進(jìn)一步，這在某種程度上揭露研究者計(jì)算出累積代價(jià)D(X,M)作為最佳路徑P*的D(j,i)=min{DGj-1,i-1),D(j-1,i),D(j,i-1)}態(tài)周期，Js表示第sth步態(tài)周期所包含的幀數(shù)。對(duì)于每一個(gè)被試的5種運(yùn)動(dòng)模式 (上下樓梯、上下斜坡以及平地走),根據(jù)現(xiàn)有結(jié)果可推斷研究者都構(gòu)建了一個(gè)就會(huì)跟模板做一個(gè)比較，其中最小的代價(jià)D(X,Mi)所對(duì)應(yīng)的運(yùn)動(dòng)模式就會(huì)被自動(dòng)標(biāo)記(李文博，王志遠(yuǎn)，2018)。3.1.2模板生成對(duì)于一名被試的第it類運(yùn)動(dòng)模式的模板Ti,可以通過如下公式計(jì)算得到：法將一個(gè)步態(tài)周期化為Mi=M?,i+M?,i。M1,和M?,;分別表示擺動(dòng)階段和支撐階段的插值點(diǎn)個(gè)數(shù)(孫博宇，周澤楷，2021)。3.1.3分類器算法的一致，CNN算法采用的網(wǎng)絡(luò)結(jié)構(gòu)為：第一隱藏層C?為卷積層，上面有5個(gè)卷積核，每個(gè)卷積核的大小為5×2;第二隱藏層S?為池化層，池化比例為2×1;第三隱藏層C?為卷積層，上面有8個(gè)卷積核，每個(gè)卷積核的大小為4×2;鑒于效果好壞，研究者請(qǐng)被試1與被試2(與第二章中的前兩位被試相同)做了更多天次的實(shí)驗(yàn)，具體實(shí)驗(yàn)組數(shù)與間隔天數(shù)如表3.1所示。被中間脫掉接受腔，休息兩小時(shí)，在同一組內(nèi)則不會(huì)穿脫接受腔(付若冰，成啟航，2020)。間隔間隔間隔間隔間隔(天)(天)(天)(天)(天)被試1212327222被試22123272222只能采用改變訓(xùn)練集內(nèi)與測(cè)試組同天的實(shí)驗(yàn)數(shù)據(jù)的占比的方式251,來評(píng)估間隔中而是使用人工標(biāo)記的方式來做訓(xùn)練和測(cè)試。結(jié)果如圖3.2所示，可以看出，雖圖3.2以不同天作為訓(xùn)練集對(duì)第六天做檢測(cè)的結(jié)果被試20圖3.3交叉檢驗(yàn)、自動(dòng)標(biāo)識(shí)與人工標(biāo)識(shí)的結(jié)果比較為了驗(yàn)證自動(dòng)標(biāo)記算法的有效性，研究者通過將不同天數(shù)的數(shù)據(jù)作為模板生成，對(duì)比其與交叉檢驗(yàn)和人工標(biāo)識(shí)算法的識(shí)別率差別。結(jié)果如圖3.3所示，其中自動(dòng)標(biāo)識(shí)i表示有i天的數(shù)據(jù)參與到了模板生成中(付洋帆，孫雅靜，2023)。從圖中可以看出，隨著參與生成自動(dòng)標(biāo)識(shí)模板的數(shù)據(jù)量的增加，從中可看出其變化無論使用何種分類器，識(shí)別效果都會(huì)更好。圖中變化率的變化并非線性，這可能是由于新加入構(gòu)成模板的某天次數(shù)據(jù)與測(cè)試數(shù)據(jù)有較好的匹配度，這一點(diǎn)從圖3.2中也可以看出。綜上所述，在智能假肢跨天的運(yùn)動(dòng)模式識(shí)別任務(wù)中，訓(xùn)練組與測(cè)試組之間的天數(shù)間隔對(duì)識(shí)別準(zhǔn)確率的影響不大，直接影響的因素可能是穿戴者以及假肢傳感器當(dāng)天的狀態(tài)。而自動(dòng)標(biāo)識(shí)這種自適應(yīng)算法在可供作為模板生成庫的歷史訓(xùn)練數(shù)據(jù)增多后，效果會(huì)明顯提升。[1]劉曉杰，張緒樹，郭媛，郭壯，文云鵬.一種個(gè)性化繩索欠驅(qū)動(dòng)仿人假肢手的設(shè)計(jì)方法和實(shí)踐[J].科學(xué)技術(shù)與工程，2024,24(32):13879-13889.[2]