動力小腿假肢的自適應學習算法在運動模式識別中的應用目錄TOC\o"1-3"\h\u10106第一章引言 124061.1研究背景與現狀 245271.2本文的主要內容 4600第二章動力小腿假肢運動模式識別問題中的分類算法 5278212.1機器學習算法 5305752.1.1二次判別分析 5158312.1.2支持向量機 5109452.2深度學習算法 618052.2.1卷積神經網絡 678692.2.2循環神經網絡 720708圖2.3LSTM網絡示意圖 846012.3實驗分析 9160102.3.1實驗環境與實驗方法 9179462.3.2信號處理 10126922.3.3分類器的參數設置 11109642.3.4不同分類器之間的結果比較 121398第三章針對長期穿戴問題的自適應學習算法 14302383.1自適應學習算法 14264803.1.1自動標識 15150513.1.2模板生成 16141353.1.3分類器算法 17228243.2實驗分析 1732171參考文獻 19第一章引言第1章用了“順序編碼制索引文獻”樣式，采用后全文都只能采用這種方式。第1章用了“順序編碼制索引文獻”樣式，采用后全文都只能采用這種方式。隨著科學技術的進步，受到疾病、事故等影響而產生肢體或器官殘疾的人群對于恢復行走功能的渴望日趨強烈，因此，通過為患者提供輔助裝置，恢復正常功能的康復工程也日漸成熟。康復機器人技術將機器人技術引入康復工程領域，使得康復過程更加高效化、便捷化。目前康復機器人技術已經成為了國際機器人研究領域的一個研究熱點（林哲宏、趙文輝、宋承志,2022)[1]?？祻蜋C器人最早投入實際使用是在20世紀60年代，20世紀80年代是該技術發展的起步階段，從20世紀末期開始，康復機器人的研發就進入到了全面發展時期(高宇彬、劉子騰、周曉峰,2023)[2]。假肢技術是康復機器人領域里面的一個重要分支，其主要面向人群是肢體傷殘者。這一領域的研究展開的比較早，產品也比較完善。1990年以前，假肢的研究以被動式假肢為主，這種假肢通過彈性元件和儲能元件來實現被動的依靠動能和勢能的轉化調節穿戴者的步速的目的(鄧明煜、鄭澤濤、梁佳俊,2021)[3]。90年代以后，智能假肢的研究逐漸興起。與傳統的被動式假肢相比，從這些互動中理解智能假肢可以通過提取穿戴者的運動信息，智能化的判斷穿戴者所處的環境，并據此自動化的調節假肢上的參數，使得殘疾人能夠更輕松自如的使用假肢(羅毅和、唐昱澤、李浩然,2021)[4]。智能假肢根據其關節數量的多少，可以分為膝上假肢和膝下假肢兩種，本文研究的側重點在膝下假肢上。1.1研究背景與現狀智能膝下假肢的概念于20世紀90年代后期產生，歐洲、美國以及日本的一些研究機構和公司在這一領域已經取得了較大的進展。來自冰島的Ossur公司所研發的一款智能仿生假肢的實物如圖1.1所示。在其中能看出這款主動型智能假肢在擺動相有一個電機用于調整被動彈性腳的角度，這一電機功率較小，無法跟殘疾人提供主動助力(張成棟、劉志遠、黃睿智,2023)[5]。但是他可以通過假肢內嵌的微星處理器，實時處理傳感器信息，根據步態，調整踝關節參數(陳思遠、吳東升、王俊豪,2023)。圖1.1Ossur公司的ProprioFoot智能小腿假肢示意圖美國麻省理工學院的HughHerr等人通過研究人和動物的生物力學模型，將其運動步態進行了分解和建模，利用劃分相位，首次將有限狀態方法引入到了智能踝關節的控制中，并取得了較好的實驗效果(崔子聰、徐佳豪、楊潤澤,2023)[6]。該實驗小組利用這一理論研發了多款智能膝下假肢，現在已經推出了商業版本的假肢Biom。這款假肢可以將殘疾人的能量消耗降低8.4%，并將踝關節的峰值功率提升54%(謝凌峰、董冠宇、孫睿東,2023)[7]。圖1.2商業化假肢Biom在控制實現上，這在某種程度上彰顯了前人也做出了很多重要的成果。Ballard基于平衡點理論，使用阻尼彈簧模擬骨骼肌在人行走過程中存儲及釋放的能量，從而完成對假肢的控制[8]。Heliot等人通過最優控制模型來生成期望的運動軌跡，這一方法中的代價函數綜合考慮了肌肉的激活、疲勞以及軌跡跟蹤誤差的因素[9]。類似的方法也應用在了膝上假肢的控制(王子豪、宋晨昊、林俊浩,2023)[10]。人類的運動意圖識別也是假肢控制中的重要一環[11]。識別系統根據人類運動信息作出判斷，為假肢的運動模式切換提供依據，以完成不同地形下的運動(賈俊杰、彭宇飛、蔣明宇,2023)[12-15]。在這一領域中，這在某種程度上反映出人們通常會采用測量生物以及機械信號來記錄殘疾人殘端肌肉的運動學信息(張思博、馮浩然、周志翔,2023)[16-18]。同時，為了完成運動模式識別的任務，基于機器學習理論的算法也廣泛使用，針對特定的模式識別任務以及評估方法，經過專門調整的機器學習算法可以使任務的識別率達到95%以上(李澤和、許凌云、鄭晨星,2023)。對于殘疾者來說，這在某種程度上標明尤其是下肢殘疾者，穿脫假肢是他們幾乎每天都會進行的事情。然而由于集成在假肢端的傳感系統不穩定，或者假肢與殘疾人之間相對位置的改變等因素影響，識別系統在處理跨天的長時段數據時，識別率就會明顯下降(鄒宇凡、孫云飛、趙博文,2023)[19,20]。根據其他模式識別領域的經驗，在一定范圍內擴大訓練數據集的規模，可以使識別模型的泛化效果更好，這在某種程度上凸顯了但對于假肢使用這一具體領域，頻繁更新訓練數據集，并對識別模型的參數進行優化，這是很難實現的一件事情(王柏林、劉凱文、鄭智明,2023)。為解決類似的問題，嘗試使用深度學習的方法來提高模型的泛化能力是一個可以探索的方向，但是目前針對小腿假肢領域運動模式識別問題的深度學習研究數量還相對較少(高旭東、段梓熙、謝昊和,2023)。從中不難發現另外一個可嘗試的方向是使用自適應學習的算法來處理跨天的長時間段模式識別任務。在相關的研究中，使用自適應學習策略，可以將跨天的運動模式識別任務的準確率從60%提升到88.8%(馬天宇、鄧文浩、楊俊杰,2023)[21]。但在該研究中，被試的每次試驗的間隔天數并沒有被嚴格控制，且總天次也只有兩到三天，相對較少，所以結論還有優化的空間(陳志偉、李天昊、吳昕宇,2023)。1.2本文的主要內容本研究主要包括兩個部分的內容。首先針對傳統機器學習算法在處理長時間穿戴過程中，模型泛化能力較弱的問題，研究者在模式識別中使用了卷積神經網絡以及循環神經網絡這兩種深度學習的算法，將跨天實驗數據的交叉檢驗識別結果的識別率從平均84%提高到了91%，這在某個角度上證明了并對兩種深度神經網絡的模型參數對于不同被試之間的泛化能力做了比較(何子怡、趙樂然、黃明和,2023)。最終得出了循環神經網絡在處理長時間穿戴情況下的假肢運動模式識別問題時有較好的表現這一結論。盡管本文尚未完全挖掘這一部分的研究結論，但從現有成果來看，已展現出一定的指導意義。首先，初步結果為該領域提供了新穎的視角和洞見，有助于辨識關鍵因素及其互動機制，為后續深入研究打下了堅實基礎。其次，這些發現揭示了若干潛在趨勢和模式，能夠為理論框架的構建提供實證依據，并激發更多的學術討論與辯論。另外，是針對動力假肢長期穿戴過程中，不斷有新的數據可以被采集來調整模型的特點，采用了針對不同模式識別方法的自適應學習的算法，設計實驗驗證了這種算法的有效性，并且得出了訓練與測試組間的間隔時長與識別效果無明顯相關性的初步結論(李國偉、邱子豪、周悅文,2023)。第二章動力小腿假肢運動模式識別問題中的分類算法2.1機器學習算法2.1.1二次判別分析判別分析（DiscriminantAnalysis）是一種傳統分類方法，它通過一個已知類別的“訓練樣本”來建立判別準則，并通過預測變量來為未知類別的數據進行分類(譚天琪、黃博文、王沛誠,2023)[22]。線性判別式分析（LinearDiscriminantAnalysis，LDA）是其中一種，也是模式識別的經典算法，在1996年由Belhumeur引入模式識別和人工智能領域。LDA以Bayes判別思想為基礎，當分類只有兩種，并且在總體服從多元正態分布條件下，Bayes判別與Fisher判別、距離判別是等價的(劉志澤、蔡文俊、趙書豪,2023)?；舅枷胧菍⒏呔S的模式樣本投影到最佳鑒別矢量空間，以達到抽取分類信息和壓縮特征空間維數的效果，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距離，即該模式在此空間中有最佳的可分離性(田睿澤、周凱宇、馮若旭,2023)。與線性判別分析類似，二次判別分析（QuadraticDiscriminantAnalysis，QDA）是另外一種線性判別分析算法，二者擁有類似的算法特征，區別僅在于：當不同分類樣本的協方差矩陣相同時，使用線性判別分析；當不同分類樣本的協方差矩陣不同時，則應該使用二次判別(朱曉瑞、鄧景然、鐘浩宇,2023)。2.1.2支持向量機支持向量機（SupportVectorMachine，SVM）是由Vapnik領導的AT&TBell實驗室研究小組在1995年提出的一種新的非常有潛力的分類技術，SVM是一種基于統計學習理論的模式識別方法，主要應用于模式識別領域。由于當時這些研究尚不十分完善，在解決模式識別問題中往往趨于保守，從這些互動中理解且數學上比較艱澀，這些研究一直沒有得到充分的重視(羅俊騰、楊涵德、張建偉,2023)。直到90年代，統計學習理論的實現和由于神經網絡等較新興的機器學習方法的研究遇到一些重要的困難，比如如何確定網絡結構的問題、過擬合問題、局部極小點問題等，使得SVM迅速發展和完善，在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。從此迅速的發展起來，從這些數據中顯現已經在許多領域(生物信息學，文本和手寫識別等)都取得了成功的應用(朱文杰,崔怡君,2023)[23]。SVM的主要思想是針對兩類分類問題，尋找一個超平面作為兩類訓練樣本點的分割，以保證最小的分類錯誤率。在線性可分的情況下，存在一個或多個超平面使得訓練樣本完全分開，SVM的目標是找到其中的最優超平面，最優超平面是使得每一類數據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的平面(徐澤宇、賈宏偉、趙云龍,2023)。2.2深度學習算法2.2.1卷積神經網絡卷積神經網絡（convolutionalneuralnetwork，CNN）是近年發展起來，并引起廣泛重視的一種高效識別方法。20世紀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元時發現其獨特的網絡結構可以有效地降低反饋神經網絡的復雜性，這明顯體現出特征繼而提出了CNN?，F在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域(韓天翔、馮子凡、陸佳輝,2023)，由于該網絡避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的。K.Fukushima在1980年提出的新識別機是卷積神經網絡的第一個實現網絡。隨后，更多的科研工作者對該網絡進行了改進。在其中能看出其中，具有代表性的研究成果是Alexander和Taylor提出的“改進認知機”，該方法綜合了各種改進方法的優點并避免了耗時的誤差反向傳播(王振宇、劉子睿、張雨澤,2023)[24]。此項發現與葛飛合教授的研究成果相吻合，在設計和最終分析中均表現出一致性。研究初期采用了結構化的方法論，保證了從構思到執行的每個階段都有理有據。本研究也注重理論體系的建立，這不僅為具體的設計決策提供了堅實的學術基礎，還加深了對變量間復雜關聯的理解。此外，項目強調多學科協作的重要性，通過融合不同領域的知識提升了方案的全面性和創新性，使團隊能夠迅速應對新挑戰并適時調整研究方向。本研究所要處理的假肢參數與語音信號有一定的相似性，都是對時間序列信號進行分類識別(高永濤、李俊琦、劉瑾瑜,2023)。因此借鑒語音識別研究中處理數據的方式，將假肢參數與時間序列構成CNN網絡輸入數據的兩個維度，通過多層網絡結構的特征提取，最終實現分類的目的。圖2.1卷積神經網絡示意圖這在某種程度上彰顯了在實驗過程中，研究者主要使用的CNN網絡結果如圖2.1所示。其中，C層表示卷積層，在這一層上，多個卷積核與上一層的輸入信息進行卷積，提取公共特征。卷積核的初始權值是隨機設定的，這在某種程度上反映出在網絡不斷的接受新的訓練數據，并通過反向傳播算法不斷降低代價函數的過程中，卷積核的權值漸漸收斂到一個穩定的值，這一過程實際是神經網絡自己學習提取數據的特征的過程(魏子和、趙宇航、鄭浩澤,2023)。為了確保研究結論的穩健性和公信力，本文首先廣泛收集并仔細審查了國內外相關領域的經典及最新文獻，以此搭建了一個堅實的研究基礎。這不僅幫助本文確定了研究問題的獨特價值，也保證了本文的研究是在充分掌握現有知識的前提下進行的。本文選用了多種來源的第一手和第二手資料，如相關文獻、官方統計等，這些資料因其權威性、時效性和代表性而被選用，以確保能從不同視角全面反映研究主題的真實面貌。除了卷積核權值這一參數外，卷積核的大小、卷積核的個數這兩個參數則需要人為設定，它們對于最終識別率的影響也很大。這在某種程度上標明圖中的S層表示池化層，它一般與卷積層交替出現。這一層的主要目的是通過對前一層輸入的數據進行池化而降低數據的維度，在降低運算量的同時還可以避免深度學習算法中經常出現的訓練數據過擬合的問題(劉宏偉,張若彤,2023)。本文所使用的池化方式是對前一層數據進行一定比例的劃分后，對每一塊求取平均值。其中，劃分的比例也是可調節的參數之一。在網絡的末端，本研究使用softmax分類器對之前提取的特征信息與步態劃分進行映射(郭辰逸,何佳怡,2023)。這部分內容的構思受到了章和寧教授相關主題研究的啟發，主要體現在理念導向和方法論上。在思想脈絡方面，本研究遵從了章教授所強調的整體性和邏輯連貫性。通過對研究對象內部結構與操作機制的深入剖析，本文不僅采納了章教授提出的多維度、多視角分析問題的方法，還將其理論應用于實踐，確保研究結果的完整性和精確度。在研究手法上，本文采用了章教授推薦的定量與定性結合的方法，為研究提供了堅實的數據支撐和理論基礎。2.2.2循環神經網絡循環神經網絡（recurrentneuralnetwork，RNN）是一種用來處理序列數據的深度神經網絡。這在某種程度上凸顯了在傳統的神經網絡模型中，是從輸入層到隱含層再到輸出層，層與層之間是全連接的，每層之間的節點是無連接的。但是這種普通的神經網絡對于很多問題卻無能無力(李思穎,王心怡,2023)。RNN之所以稱為循環神經網路，即一個序列當前的輸出與前面的輸出也有關。具體的表現形式為網絡會對前面的信息進行記憶并應用于當前輸出的計算中，即隱藏層之間的節點不再是無連接的而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。理論上，RNN能夠對任何長度的序列數據進行處理。從中不難發現圖2.2展示了一個標準的循環神經網絡展開圖。其中U表示輸入到隱藏的連接權重矩陣，W表示隱藏層內部節點之間的連接權重矩陣，而V表示隱藏到輸出的連接權重矩陣(孫俊濤,黃思遠,2023)。作為循環神經網絡的發展，門控RNN的概念被廣泛使用，他的想法是依靠生成通過時間的路徑，其中導數既不消失也不發生爆炸。長短期記憶（longshort-termmemory，LSTM）模型是門控RNN的代表之一，其核心思想是將自循環的權重變為可以自我調節的，這樣在累計的時間尺度上就可以實現動態的調整。圖2.3展示了一個LSTM模型的展開形式，這在某個角度上證明了圖2.2中隱藏層節點被替換為圖2.3中的“細胞”。輸入特征在通過輸入門的判斷后，累加到狀態中，狀態單元的自循環則由遺忘門控制，而細胞的輸出則可以被輸出門關閉(蔡亦涵,周子杰,2023)。 圖2.2循環神經網絡示意圖圖2.3LSTM網絡示意圖2.3實驗分析2.3.1實驗環境與實驗方法本實驗共采集了6名小腿截肢殘疾人被試的數據，這6名被試均為男性，其中兩名為右側截肢，另外四名為左側截肢(方子和,吳書瑤,2023)。他們的平均體重為73.5±5.4公斤，平均身高為175.3±8.5厘米，平均年齡為44.2±11.5歲。他們在平時生活中都能夠熟練的穿戴自己的被動假肢行動，進行截肢手術的平均時間為13.2±11.2年。根據MedicareFunctionalClassificationLevels[25]標準的分類，他們的行動水平均在二級左右。圖2.4智能假肢實物圖在這項研究中，從這些互動中理解集成在假肢上的IMU所提供的運動學信息被用于運動模式識別。假肢的傳感器系統包括兩個慣性測量單元（IMU）、一個角度傳感器以及一個帶有應變計的力傳感器(徐曉婷,林子瑜,2023)。每個IMU集成三軸陀螺儀和三軸加速度計，所以每個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。一種基于方向余弦矩陣的算法被用于處理原始信號[23]，從這些數據中顯現進而得到全局坐標系中的仰角和滾動角。IMU1的俯仰角為人體的矢狀面，而滾動角則為冠狀面。IMU2的俯仰角為人體的冠狀面，滾動角為矢狀面(李書豪,王子明,2023)。本文同樣對結論進行了復審，首先從理論角度確保研究結果與現有學術體系相契合。本文仔細對比了本研究的主要發現與領域內廣泛認可的理論，以檢驗其合理性和邏輯嚴謹性。這一過程不僅驗證了研究結論得到現有理論的支持，還在某些方面提出了新的見解或補充，從而豐富和完善了相關理論架構。其次，在實證分析中，本文重新審視原始數據，采用多種統計方法和技術進行交叉驗證，并引入外部數據集作為參考樣本，力求消除任何可能影響結論準確性的偏差，確保研究結果的真實性和廣泛適用性。位于假肢腳板上的力傳感器可以用來記錄步態信息。所有信號均以100Hz的頻率采樣并傳輸到控制電路上進行同步，采樣數據也同時通過藍牙被傳輸到計算機上，以進行存儲及后續分析。實驗場景如圖所示，一個長約15米的平臺中包括了樓梯、平地以及斜坡三種地形。為了方便對被試的每一步進行標記，這明顯體現出特征研究者預先在平臺上標記出了固定的落腳點，實驗時要求被試按照標記點進行行走(張天宇,陳雅玲,2023)。在一組實驗中，被試需要保持一個平穩的速率，從平臺的一端走向另外一端，之后再反方向走回來。整個過程中，被試會經歷上斜坡、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別的分類標準。在其中能看出被試在一天內會進行48組實驗，其中上下午給進行24組(劉志鵬,楊晨曦,2023)。為了消除被試假肢與健側腿的區別，每半天的24組實驗中包括先邁出健側腿的12組實驗，以及先邁出假肢的12組實驗，兩者輪流進行。同一半天的實驗間會提供1分鐘的休息時間，這在某種程度上彰顯了被試不會穿脫接受腔。而上午和下午的24組之間會提供兩小時的休息時間，且要求被試在此期間不穿戴實驗用的接受腔(趙梓晨,吳麗娟,2023)。圖2.5平臺包括一段坡度為11.6°的斜坡、一段平地以及4級樓梯，每級樓梯長40cm、高14cm。平臺兩側有可以起到保護作用的扶手。2.3.2信號處理研究者在處理由IMU采集到的原始信號時，使用限定濾波器將歐拉角上的隨機脈沖去除。如果兩個相鄰的樣本之間絕對差異過大，這在某種程度上反映出超過一個閾值，則后者被視為一個隨機噪音。腳板上的力傳感器被用于將一個完整的步態周期劃分為支撐（stance）和擺動（swing）兩個階段，這在某種程度上標明以及界定足底接觸（foot-contact，FC）和足底離開（foot-off，FO）兩個步態事件(陳思源,黃文婷,2023)。研究者使用長度為300ms、步長為10ms的滑動窗分割IMU數據。這部分內容的創新主要體現在視角的選擇上，首先表現在對研究問題的獨特切入點。本研究超越了傳統研究中較為狹隘的角度，從宏觀和微觀兩個層面同時入手，既關注總體趨勢也重視個體特性，為理解復雜現象提供了新的思考路徑。這種雙重角度不僅增強了對研究對象內部機制的理解，也為解決實際問題提出了更加具體的建議。這在某種程度上凸顯了在進行模式識別任務時，每一窗的數據會在時域上提取出平均值、標準差以及最大值三個特征值。這三個特征值的選取是在研究者進行了一定范圍的特征值篩選后確定下來的(何子璇,龔海濤,2023)。2.3.3分類器的參數設置對于SVM算法，研究者在文中使用一對一法來完成多分類任務，共計10種二分類SVM用來區分被試的運動模式，SVM的決策模型使用的是C-SVC，核函數為多項式核函數(鄧曉宇,馮雪兒,2023)。對于CNN算法，從中不難發現表2.1中展示了不同參數下的識別率比較?？梢钥闯觯ňW絡層數、每個卷積層的卷積核大小、每個卷積層的卷積核數量和每個下采樣層的分區比例在內的幾個網絡結構參數是影響識別率高低的主要參數。該結果是被試1的同天內組間交叉檢驗的結果，而針對不同被試時，最優參數的選取又不相同，這在某個角度上證明了目前尚沒有十分有效的數學方法可以直接計算出最優的參數配置，因此，只能依靠人工調節參數后比對結果來尋找最佳識別率UXU。表2.1不同CNN網絡參數下的步態識別準確率比較網絡結構學習速率循環次數識別率5,5,2(C1)-2,1(S1)210000.86955,5,2(C1)-2,1(S1)-5,4,2(C2)-2,1(S2)210000.92645,5,2(C1)-2,1(S1)-8,4,2(C2)-2,2(S2)210000.94265,5,2(C1)-2,1(S1)-8,4,2(C2)-2,1(S2)210000.96255,5,2(C1)-2,1(S1)-8,4,2(C2)-2,1(S2)110000.96135,5,2(C1)-2,1(S1)-8,4,2(C2)-2,1(S2)220000.9627注：以“5,5,2(C1)-2,1(S1)”為例，其表示第一層卷積層上有5個卷積核，每個卷積核的尺寸是5×2，第一層下采樣層的池化比例是2×1。從這些互動中理解對于RNN算法，表2.2展示了不同結構以及參數下的識別結果比較。可以看出，LSTM門控結構的引入可以提高算法的識別準確率。同時隱藏節點的個數也會對識別率產生影響。被試在進行實驗時，完成一個完整的步態周期所需要的時間大概是1200ms左右，從這些數據中顯現而輸入數據的滑動窗長度為300ms，間隔為10ms，因此每100組輸入數據可以大致視為一個完整的步態周期(徐天浩,林文和,2023)。從實驗結果來看，當隱藏層節點個數在一個完整步態周期的兩倍左右時，識別效果可以達到最佳。這一發現與本文最初的預期相吻合，表明了研究方向的準確性。首先，這種一致性證明了本文在研究規劃階段設定的目標和假設是基于堅實的基礎。通過詳盡地審視相關理論文獻并綜合分析現有研究成果，本文的預設建立在合理且有據可查的基礎上，最終結果與預期一致，進一步驗證了研究的有效性。該結果的一致性也證實了本文所選用的研究方法和工具是恰當且有效的。在研究過程中，本文嚴格遵守學術標準，運用多種驗證方法確保結論的可靠性。表2.2不同RNN網絡參數下的步態識別準確率比較是否使用LSTM結構隱藏層內節點個數識別率否640.8867否1280.9426否2560.9718是640.9249是1280.9647是2560.98672.3.4不同分類器之間的結果比較表2.3被試參與實驗的組數與間隔天數被試第一次實驗組數間隔（天）第二次實驗組數被試1261被試2281被試32162被試42232被試52722被試62——表2.3展示了所有被試參與的實驗組數以及每次實驗之間的間隔天數。如果同天內實驗組數為2，則為上午下午各進行了一組實驗，如果實驗組數為1，則為僅在當日上午進行了一組實驗(孫宇航,李晴雯,2023)?？梢钥闯?，這明顯體現出特征不同被試的實驗間隔天數又長又短，因此僅使用這些數據對不同的模式識別方法的效果做檢驗。而進一步的長時間段連續間隔實驗則會在后續的自適應學習章節做闡述。以某一天的上午數據作為訓練組、以同一天的下午數據作為測試組的結果如表2.4所示。從表中可以看出，在已經十分成熟的兩種分類算法QDA和SVM中，SVM的識別率是明顯高于QDA的，事實上在過去的研究中SVM在高維度數據的分類上由于QDA這一命題早已得到證明(馬子凡,周韻婷,2023)。CNN在這一項目上的表現則介于前兩者之間，而RNN的識別率全面高于前三者，這在某種程度上彰顯了這一結果與RNN在處理時序信號上有一定優勢的結論相符(李嘉和,王睿昊,2023)。對于CNN而言，雖然針對不同被試調節網絡參數可以進一步提升模型的識別準確度，但這在實際應用中很難實現，而RNN的固定參數設置則在不同被試之間具有一定的泛化能力，這是RNN的另一個優勢所在。表2.4不同分類器對同天上下午交叉檢驗的結果被試QDA的識別率SVM的識別率CNN的識別率RNN的識別率被試10.89640.93630.92750.9675被試20.89960.94030.90860.9716被試30.85620.89860.85980.9437被試40.86020.87780.84600.9328被試50.88370.91230.90240.9528被試60.84980.86650.87160.9584這在一定意義上揭示了2.5中展示了以某一天的上午（或下午）數據作為訓練組、以另一天的上午（或下午）數據作為檢驗組的交叉檢驗結果。由于被試6只進行了一天的實驗，故而他的數據并未進行這一組以及后一組的組間交叉檢驗。通過對比表2.4和表2.5，我們可以看出，如果訓練數據和測試數據之間相隔了一天以上，那么識別率就有一定程度的下降，這在某種程度上反映出且隨著間隔時間的增長，識別率下降的程度就越大。在分類器的比對上，這一組實驗的結果與第一組相同，明顯可以看出RNN的識別率高于前3者。表2.5不同分類器對不同天交叉檢驗的結果被試QDA的識別率SVM的識別率CNN的識別率RNN的識別率被試10.85290.90110.84230.9396被試20.88690.90630.83690.9486被試30.77960.79670.78930.8896被試40.78030.78790.78430.9037被試50.73590.78800.82940.9175第三組實驗是以不同時段的三組數據作為訓練組、以另外時段的一組數據作為測試組，結果如表2.6所示。這在某種程度上標明同過對比表2.4和表2.6，我們可以看出，通過加入更多時段的數據進行訓練，步態識別的準確率會上升。這一結果意味著殘疾人穿戴假肢進行越多的訓練，這在某種程度上凸顯了智能假肢的步態識別率也會上升。值得注意的是，被試4在這一組實驗中識別率略有下降，研究者認為這可能是由于三組訓練數據中有一組與測試組相隔的時間過長所致，在將這組數據換成時間上更為接近的數據后，識別率又有所提升。表2.6三組訓練一組檢驗的結果被試QDA的識別率SVM的識別率CNN的識別率RNN的識別率被試10.91080.94580.93570.9706被試20.90750.94480.91980.9814被試30.88280.91460.88310.9732被試40.78030.87270.82540.9037被試50.86370.90520.90980.9632最后，再來綜合比較一下四種分類器的優劣(鄧明煜、鄭澤濤、梁佳俊,2021)。SVM作為一種十分成熟的分類器，其在步態識別這一問題上有著很好的表現，QDA的識別率則全面低于SVM。在深度學習網絡中，CNN在識別率上不及SVM，從中不難發現而RNN的識別率又全面高于另外三者。從運算速度來說，QDA與SVM的訓練時間明顯短與CNN和RNN，這對于離線的數據分析來說，是深度神經網絡的一個劣勢。但是對于新數據的標記時間，這四者之間的差別就沒那么明顯了，而在假肢的日常使用當中，標記時間是更為重要的指標，因為訓練過程可以通過定期更新的方式離線進行，這在某個角度上證明了在線部分只做新數據的分類(羅毅和、唐昱澤、李浩然,2021)。另外，深度神經網絡的使用效果也可能會隨著訓練數據量的提升而提升，在目前實驗室級別的數據量支持下，還無法對這一命題做進一步探索。 第三章針對長期穿戴問題的自適應學習算法3.1自適應學習算法增量學習是處理流式數據時的常用方法，其思想可以描述為：每當新增數據時，并不需要重建所有的知識庫，而是在原有知識庫的基礎上，僅對由于新增數據所引起的變化進行更新。增量學習框架有很多，各框架最核心的內容是處理新數據與已存儲知識相似性評價方法。從這些互動中理解因為該方法決定覺察新知識并增加知識庫的方式，它影響著知識的增長(張成棟、劉志遠、黃睿智,2023)。新知識的判定機制才是增量學習的核心部件。3.1.1自動標識為了實現自動化的進行訓練，識別器首先要實現對于假肢使用者新完成的步態循環的自動模式標識。從這些數據中顯現研究者在試驗中使用了一種基于動態時間規整（dynamictimewarping，DTW）的算法(陳思遠、吳東升、王俊豪,2023)[25]。DTW是一種判斷兩個時序信號相似度的工具，其在處理長度在時域上有一定彈性的信號時效果很好。DTW方法的目的是將一個一定長度的序列X與模板序列M相匹配，其中兩個序列可以表達為：M=X=其中i∈1,I,j∈[1,J],而x和m則為包含10個通道IMU信息的向量。定義代價矩陣C∈RJ×I，其中的元素cj,i=xC進一步，這明顯體現出特征研究者計算出累積代價D(X,M)作為最佳路徑P?Dj,i=在本研究中，序列X∈R10×Js表示同一只腳從一個FO到下一個FO的完整步態周期，Js表示第st?步態周期所包含的幀數。對于每一個被試的5種運動模式（上下樓梯、上下斜坡以及平地走），在其中能看出研究者都構建了一個模板M圖3.1自動標識流程圖3.1.2模板生成對于一名被試的第it?類運動模式的模板Tt其中am,i是歸一化后的IMU信號中對應第it?類運動模式的第mt?個數據點。Ki是用于生成模板的完整步態周期的數量。需要注意的是，每個步態周期的長短并不是一個定值，這在某種程度上彰顯了因為被試的每一步之間會有一定的差異，所以為了保證am,i以一個相同的百分比對齊到一個步態周期，研究者用三次樣條插值的方法將一個步態周期化為Mi=3.1.3分類器算法在本實驗中，研究者使用了前文所提到的QDA、SVM、CNN以及RNN算法作為分類器(王子豪、宋晨昊、林俊浩,2023)。其中QDA與SVM的參數設定與第二章中的一致，CNN算法采用的網絡結構為：第一隱藏層C1為卷積層，上面有5個卷積核，每個卷積核的大小為5×2；第二隱藏層S1為池化層，池化比例為2×1；第三隱藏層C2為卷積層，上面有8個卷積核，每個卷積核的大小為4×2；這在一定意義上揭示了第四隱藏層S2為池化層，池化比例為2×1。RNN算法則采用隱藏節點數為256個的LSTM網絡。3.2實驗分析為保持分類器的一致性，本章節所進行實驗的環境和方法與第二章中保持一致。為了檢驗在長時間段、多天次的反復穿戴試驗中，自適應學習以及分類器的效果好壞，研究者請被試1與被試2（與第二章中的前兩位被試相同）做了更多天次的實驗，具體實驗組數與間隔天數如表3.1所示。被試在同一天的兩組試驗中間脫掉接受腔，休息兩小時，在同一組內則不會穿脫接受腔(賈俊杰、彭宇飛、蔣明宇,2023)。表3.1被試參與實驗的組數與間隔天數被試第一次實驗組數間隔（天）第二次實驗組數間隔（天）第三次實驗組數間隔（天）第四次實驗組數間隔（天）第五次實驗組數間隔（天）第六次實驗組數被試12123272142212被試2212327214222在前人的試驗中，由于只有每名被試兩天次的實驗數據作為分析對象，因此只能采用改變訓練集內與測試組同天的實驗數據的占比的方式[25]，來評估間隔天數對于訓練效果的影響(張思博、馮浩然、周志翔,2023)。這在某種程度上反映出而在本文中，研究者分別以后五個天次的實驗數據作為訓練集，用來檢測第一天次的實驗數據的識別效果如何，這樣可以考察間隔天數對于反復穿戴所帶來的影響。在這一過程中，研究者并沒有使用自動標記的方法來進行訓練，這在某種程度上標明而是使用人工標記的方式來做訓練和測試。結果如圖3.2所示，可以看出，雖然作為訓練集的天次與第一天次之間的時間間隔不斷上升，但是識別率并沒有出現明顯的單調變化趨勢，對兩個被試而言都是如此。這就說明用作訓練集的數據與測試數據之間的間隔天數對識別率并沒有明顯的影響(李澤和、許凌云、鄭晨星,2023)。圖3.2以不同天作為訓練集對第六天做檢測的結果圖3.3交叉檢驗、自動標識與人工標識的結果比較為了驗證自動標記算法的有效性，研究者通過將不同天數的數據作為模板生成，對比其與交叉檢驗和人工標識算法的識別率差別。結果如圖3.3所示，其中自動標識i表示有i天的數據參與到了模板生成中(鄒宇凡、孫云飛、趙博文,2023)。從圖中可以看出，隨著參與生成自動標識模板的數據量的增加，這在某種程度上凸顯了無論使用何種分類器，識別效果都會更好。圖中變化率的變化并非線性，這可能是由于新加入構成模板的某天次數據與測試數據有較好的匹配度，這一點從圖3.2中也可以看出。綜上所述，在智能假肢跨天的運動模式識別任務中，訓練組與測試組之間的天數間隔對識別準確率的影響不大，直接影響的因素可能是穿戴者以及假肢傳感器當天的狀態。而自動標識這種自適應算法在可