動(dòng)力下肢假肢運(yùn)動(dòng)意圖研究是智能假肢控制的重要組成部分,傳統(tǒng)意圖識(shí)別算法多數(shù)使用傳統(tǒng)機(jī)器學(xué)習(xí)分類算法,而且需要手工選取數(shù)據(jù)特征,勢(shì)必會(huì)帶有主觀性。將自學(xué)習(xí)特征的深度學(xué)習(xí)技術(shù)應(yīng)用到下肢假肢運(yùn)動(dòng)意圖識(shí)別中是可行的。選取兩類典型的深度學(xué)習(xí)網(wǎng)絡(luò):卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò),實(shí)驗(yàn)證明了深度學(xué)習(xí)模型應(yīng)用到運(yùn)動(dòng)意圖識(shí)別的可行性,與傳統(tǒng)的機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比試驗(yàn),驗(yàn)證了深度學(xué)習(xí)算法的性能優(yōu)勢(shì)。 

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

典型的LSTM構(gòu)建塊

算法流程圖

4類分類器識(shí)別結(jié)果的混淆矩陣。（a）基于RF識(shí)別結(jié)果的混淆矩陣；（b）基于HMM識(shí)別結(jié)果的混淆矩陣；（c）基于CNN識(shí)別結(jié)果的混淆矩陣；（d）基于LSTM識(shí)別結(jié)果的混淆矩陣

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)模板匹配的智能下肢假肢運(yùn)動(dòng)意圖實(shí)時(shí)識(shí)別[J]. 盛敏,劉雙慶,王婕,蘇本躍.  控制與決策. 2020(09)
[2]慣性動(dòng)捕數(shù)據(jù)驅(qū)動(dòng)下的智能下肢假肢運(yùn)動(dòng)意圖識(shí)別方法[J]. 蘇本躍,王婕,劉雙慶,盛敏,向馗.  自動(dòng)化學(xué)報(bào). 2020(07)
[3]Intent Pattern Recognition of Lower-limb Motion Based on Mechanical Sensors[J]. Zuojun Liu,Wei Lin,Yanli Geng,Peng Yang.  IEEE/CAA Journal of Automatica Sinica. 2017(04)
[4]2006年第二次全國(guó)殘疾人抽樣調(diào)查主要數(shù)據(jù)公報(bào)[J]. Leading Group of the Second China National Sample Survey on Disability, National Bureau of Statistics of the People’s Republic of China.  中國(guó)康復(fù)理論與實(shí)踐. 2006(12)



本文編號(hào)：3675024