-
公开(公告)号：CN113314209B
公开(公告)日：2023-04-18
申请号：CN202110652510.7
申请日：2021-06-11
Applicant: 吉林大学
Abstract: 本发明公开了一种基于加权KNN的人体意图识别方法，包括如下步骤：获取膝关节假肢动作数据；利用不同尺寸时间窗采样数据，提取相关时域特征，组成样本集；利用三个改进的加权KNN模型(选取不同邻居值)建立多分类步态识别系统；利用多分类步态识别系统对下肢假肢步态进行识别，并更替人体测试数据池；本发明利用KNN算法处理多分类问题的优越性，提出更替数据的思想，从而减少数据处理量，节约运算时间，显著提高分类准确率和降低稳态误差。
-
公开(公告)号：CN114997295B
公开(公告)日：2024-09-10
申请号：CN202210578651.3
申请日：2022-05-25
Applicant: 吉林大学
IPC: G06F18/2431 , G06F18/23213 , G06F18/214 , G06F18/10 , A61B5/11
Abstract: 一种基于LR‑ELM的下肢假肢运动识别方法属在线模式识别技术领域，本发明包括下列步骤：采集8名左侧膝上截肢患者的九种运动状态实验数据；使用特征处理后的数据训练改进ELM分类模型；保存隐含层输入权值ωbest和均值偏差矩阵B等参数；编写预测函数进行多种运动状态的实时预测；本发明利用LR算法和KNN算法结构简单的优势，对ELM算法进行结构改进，能有效缩减隐含层节点数量，减少待保存参数；利用PSO算法和BBO算法分别对隐含层偏差定向寻找最优解和优化每一维数据权重值，能大大提高算法准确率，实现实时预测截肢患者运动意图的功能。
-
公开(公告)号：CN114997295A
公开(公告)日：2022-09-02
申请号：CN202210578651.3
申请日：2022-05-25
Applicant: 吉林大学
Abstract: 一种基于LR‑ELM的下肢假肢运动识别方法属在线模式识别技术领域，本发明包括下列步骤：采集8名左侧膝上截肢患者的九种运动状态实验数据；使用特征处理后的数据训练改进ELM分类模型；保存隐含层输入权值ωbest和均值偏差矩阵B等参数；编写预测函数进行多种运动状态的实时预测；本发明利用LR算法和KNN算法结构简单的优势，对ELM算法进行结构改进，能有效缩减隐含层节点数量，减少待保存参数；利用PSO算法和BBO算法分别对隐含层偏差定向寻找最优解和优化每一维数据权重值，能大大提高算法准确率，实现实时预测截肢患者运动意图的功能。
-
公开(公告)号：CN114360066A
公开(公告)日：2022-04-15
申请号：CN202210022415.3
申请日：2022-01-28
Applicant: 吉林大学
IPC: G06V40/20 , G06N3/00 , G06K9/62 , G06V10/764
Abstract: 一种基于BPSOGWO‑KNN的下肢假肢运动意图识别算法，属于模式识别技术领域，首先提取每个步态周期中称重传感器值刚大于16N开始的200ms时间窗内多传感器数据，进行去噪及去除异常数据，并对正常数据加上分类标签；提取时间窗内各维数据的7种时域特征值，使用BPSOGWO‑KNN算法进行特征选择；使用BBO算法对KNN分类器中的最近邻居值K和BPSOGWO‑KNN算法选择出的最优特征子集中的特征权重进行优化训练；将优化得出的最近邻居值K和特征权重值输入改进KNN分类器；本发明去除了冗余特征值，并根据特征值贡献不同，赋予不同权值，比较每种分类类别下到目标最近的K个邻居值的距离均值大小，进行模式识别，大大提高算法准确率，保证下肢截肢患者的使用安全。
-
Patent Agency Ranking
公开(公告)号：CN114041783B
公开(公告)日：2024-04-26
申请号：CN202111330071.4
申请日：2021-11-11
Applicant: 吉林大学
Abstract: 一种基于经验规则结合机器学习的下肢运动意图识别方法属模式识别技术领域，本发明首先获取膝关节角度传感器、称重传感器和IMU传感器产生的数据，并进行去噪及去除异常值，然后设计了三个分类器，分别通过经验阈值判断和改进的加权KNN算法进行人体意图识别。本发明仅使用少量机械传感器就能够准确识别七种常见的运动模式，并大大减少了改进加权KNN算法所需要的训练集数据量，减少算法在STM32单片机上运行的时间，确保对人体运动状态的实时预测。本发明在已进行实验的基础上，提出结合经验规则及机器学习算法进行人体意图识别，旨在推进商品化假肢的发展，更便于下肢截肢患者的日常使用。
-
公开(公告)号：CN114947825A
公开(公告)日：2022-08-30
申请号：CN202210477670.7
申请日：2022-04-29
Applicant: 吉林大学
Abstract: 基于PSOGWO‑SVM的下肢假肢连续运动识别方法属模式识别技术领域，本发明首先采集6名左侧截肢患者佩戴自主研发膝踝联动假肢进行五种稳定运动状态和八种过渡运动状态的实验数据；使用PSOGWO‑SVM算法，优化惩罚因子C和函数宽度γ，并保存支持向量等参数，编写预测函数进行多种运动状态下的连续实时预测；本发明利用SVM算法分类准确率高的优势，仅需保存少数的支持向量，减少占用处理器内存空间，缩短预测时间，实现实时预测截肢患者运动意图的功能。
-
公开(公告)号：CN114041783A
公开(公告)日：2022-02-15
申请号：CN202111330071.4
申请日：2021-11-11
Applicant: 吉林大学
Abstract: 一种基于经验规则结合机器学习的下肢运动意图识别方法属模式识别技术领域，本发明首先获取膝关节角度传感器、称重传感器和IMU传感器产生的数据，并进行去噪及去除异常值，然后设计了三个分类器，分别通过经验阈值判断和改进的加权KNN算法进行人体意图识别。本发明仅使用少量机械传感器就能够准确识别七种常见的运动模式，并大大减少了改进加权KNN算法所需要的训练集数据量，减少算法在STM32单片机上运行的时间，确保对人体运动状态的实时预测。本发明在已进行实验的基础上，提出结合经验规则及机器学习算法进行人体意图识别，旨在推进商品化假肢的发展，更便于下肢截肢患者的日常使用。
-
公开(公告)号：CN114831627A
公开(公告)日：2022-08-02
申请号：CN202210267991.4
申请日：2022-03-17
Applicant: 吉林大学
Abstract: 一种基于三棵决策树的下肢假肢运动识别方法属模式识别技术领域，本发明首先采集8名左侧膝上截肢患者和16名健康受试者左腿的九种运动状态实验数据；分别训练残疾人独立决策树模型、残疾人泛化决策树模型和健康人泛化决策树模型；使用软投票分类器集成三棵决策树的预测结果进行实时预测；本发明利用决策树预测时间短的优势，仿小型森林结构，整合残疾人数据和健康人实验数据训练多棵决策树模型，能在减少预测时间和处理器内存的情况下大大提高算法准确率，实现实时预测截肢患者运动意图的功能。
-
公开(公告)号：CN113314209A
公开(公告)日：2021-08-27
申请号：CN202110652510.7
申请日：2021-06-11
Applicant: 吉林大学
Abstract: 本发明公开了一种基于加权KNN的人体意图识别方法，包括如下步骤：获取膝关节假肢动作数据；利用不同尺寸时间窗采样数据，提取相关时域特征，组成样本集；利用三个改进的加权KNN模型(选取不同邻居值)建立多分类步态识别系统；利用多分类步态识别系统对下肢假肢步态进行识别，并更替人体测试数据池；本发明利用KNN算法处理多分类问题的优越性，提出更替数据的思想，从而减少数据处理量，节约运算时间，显著提高分类准确率和降低稳态误差。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.014 seconds)
