[發明專利]一種基于加權KNN的人體意圖識別方法

有效

• 申請號: 202110652510.7
• 申請日: 2021-06-11
• 公開（公告）號: CN113314209B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 任雷;張堯;修豪華;閻凌云;韓陽;王旭;錢志輝;任露泉
• 申請（專利權）人: 吉林大學
• 主分類號: G16H40/63
• 分類號: G16H40/63;G01D21/02
• 代理公司: 長春市四環專利事務所(普通合伙) 22103
• 代理人: 張建成

本發明公開了一種基于加權KNN的人體意圖識別方法，包括如下步驟：獲取膝關節假肢動作數據；利用不同尺寸時間窗采樣數據，提取相關時域特征，組成樣本集；利用三個改進的加權KNN模型(選取不同鄰居值)建立多分類步態識別系統；利用多分類步態識別系統對下肢假肢步態進行識別，并更替人體測試數據池；本發明利用KNN算法處理多分類問題的優越性，提出更替數據的思想，從而減少數據處理量，節約運算時間，顯著提高分類準確率和降低穩態誤差。

技術領域

本發明屬于模式識別領域，涉及到一種下肢假肢步態識別方法，尤其涉及一種基于加權KNN的人體意圖識別方法。

背景技術

由于外傷、疾病等原因導致的下肢截肢患者，在生活和工作中都收到了嚴重的影響。與上肢假肢不同，下肢假肢的控制涉及到人體平衡問題，對于日常行走和其他活動的進行都十分關鍵。

佩戴假肢能夠有效幫助截肢患者恢復基本的日常運動能力，但是大部分截肢患者佩戴的都是被動型假肢，不能降低能耗，日常佩戴會使截肢者覺得很累。

德國Otto?Bock公司的C-Leg、Genium系列假肢，冰島Ossur公司的Rheo?Knee假肢等技術都十分成熟，對于運動模式的識別也是智能假肢研究領域的熱點問題。但目前世界上所有商業型智能膝關節假肢都是使用基于規則的啟發式方法進行模式識別。所以開發使用機器學習方法進行人體意圖識別的智能膝關節假肢也十分重要。

由于使用機械傳感器獲取人體生物力學信號與獲取肌電信號相比，在實施上更容易近些年國內外一些學者對其特點及應用進行了深入研究。Han等利用單個慣性測量單元獲取x，y，z三個軸的加速度及角速度數據，特征處理后對正常行走、上坡等9種日常運動步態進行模式識別，準確率達到96.71％。目前國內外研究主要集中于多種機械傳感器的組合使用，及與肌電信號進行融合處理的模式識別。

上世紀90年代起，使用機器學習算法開始應用于運動模式分類上。線性判別分析(LDA)、神經網絡等方法先后在研究型智能膝關節假肢上進行運動模式識別實驗。BP神經網絡由于它獨特的神經元連接機制，在神經元數量足夠多時，可擬合任何一種非線性函數的優勢，在模式識別領域得到了廣泛的應用，比其他簡單算法SVM，QDA，LDA有更好的識別效果，但是也存在權值參數過多，設置繁瑣、訓練速度慢等缺陷。

KNN(K-Nearest?Neighbor)最鄰近分類算法是數據挖掘分類技術里面最簡單的算法之一，它的指導思想是”近朱者赤，近墨者黑“，根據目標數據的鄰居來推斷出它的類別。為了判斷未知樣本的類別，以所有已知類別的樣本作為參照，計算未知樣本與所有已知樣本的距離，從中選取與未知樣本距離最近的K個已知樣本，根據少數服從多數的投票法則，將未知樣本與K個最鄰近樣本中所屬類別占比較多的歸為一類。KNN算法缺陷在于，樣本不平衡時，如一個類的樣本容量很大，而其他類樣本容量很小時，有可能導致當輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數，會影響運算結果。另外一個缺陷是計算量大，對于每一個待分類的數據都要計算它與所有已知樣本之間的距離，才能求得它的K個最近鄰點。

K-Fold交叉驗證,是將原始數據分成K組(K-Fold)，將每個子集數據分別做一次驗證集，其余的K-1組子集數據作為訓練集，這樣會得到K個模型。這K個模型分別在驗證集中評估結果，最后的誤差MSE(Mean?Squared?Error)加和平均就得到交叉驗證誤差。交叉驗證有效利用了有限的數據，并且評估結果能夠盡可能接近模型在測試集上的表現，可以做為模型優化的指標使用。軟投票分類器是聚合多個不同分類器預測的類別，然后對多種結果的預測精度加權后取最高值為最終的預測結果。

發明內容