深度學習算法在小腿假肢運動模式識別中的應用及自適應學習研究 11.1研究背景與現狀 2 4第二章動力小腿假肢運動模式識別問題中的分類算法 52.1機器學習算法 5 52.1.2支持向量機 52.2深度學習算法 62.2.1卷積神經網絡 62.2.2循環神經網絡 8圖2.3LSTM網絡示意圖 92.3實驗分析 2.3.1實驗環境與實驗方法 2.3.2信號處理 2.3.3分類器的參數設置 2.3.4不同分類器之間的結果比較 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 3.1.1自動標識 3.1.3分類器算法 3.2實驗分析 21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(王麗萍，劉思遠，2022)[1]。康復機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(陳明哲，何靜怡，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(龔宇辰，丁博文，2021)3]。90年代以后，智能假肢的研究逐漸興起。與傳統的被動式假肢相比，這在一定范圍內顯示了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(史俊豪，費澤楷，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。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。根據現有結果可推斷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(陳偉宸，李思茹，2022)[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(林煜城，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(李文博，王志遠，2018)[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%(孫博宇，周澤楷，2021)[7。圖1.2商業化假肢Biom在控制實現上，根據以上發現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(付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(陳奇遠，趙麗萍，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(繆天朗，盛月華，2018)。對于殘疾者來說，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，從中可看出其變化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(陳澤和、許凌云、鄭向星，2023)。這在一定程度上預示了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%(趙宇軒，孫悅琳，2018)[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(黃志強，何偉明，2020)。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%,這在某種程度上昭示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(王悅婷，魏嘉怡，2020)。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。在數據分析方法的選擇上，本文不僅采用了傳統的統計分析手段，如描述性統計、回歸分析等，還引入了近年來發展迅速的數據挖掘技術和算法。例如通過使用聚類分析來識別數據中的潛在模式，或者利用決策樹算法來預測未來趨勢。這些先進的方法為深入理解復雜現象提供了強有力的支持，并有助于揭示隱藏在海量數據背后的深層次關系。此外，本文還特別強調了混合方法的應用，即將定量研究與定性研究相結合，以獲得更加全面的研究視角。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，并且在總體陳昊宇，2023)。基本思想是將高維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(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(孫志運動模式識別結果卷積層IMU數據池化層卷積層池化層根據以上發現在實驗過程中，研究者主要使用的CNN網絡結果如圖2.1所行卷積，提取公共特征。卷積核的初始權值是隨機設處在網絡不斷的接受新的訓練數據，并通過反向傳播算過程中，卷積核的權值漸漸收斂到一個穩定的值，這文暫不進行詳細闡述，時間因素是一個不可忽一個漫長的旅程，尤其是在探索復雜問題或現象、分析數據并得出可靠的結論。盡管本研究已經要對所有結論進行全面且細致的驗證，還需要更長時間驗。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，技術手段的發展水平同樣影科技的進步，新的研究工具和技術不斷涌現，為科學研究提供了更多可能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人為設定，它們對于最終識別率的影響也很大。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。這一層的主要目數據進行池化而降低數據的維度，在降低運算量的池化方式是對前一層數據進行一定比例的劃分后，文通過收集大量且細致的數據，對理論框架進據不僅涵蓋了廣泛的研究對象，還跨越了多個時間有效檢驗原理論框架中的假設，并揭示其潛在的缺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。從中可看出其變化在傳統的神經網絡模型中，是從輸入藏層之間的節點不再是無連接的而是有連接的，并且隱藏列數據進行處理。這在一定程度上預示了圖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曦，2021)。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short-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，這樣在累計的時調整。圖2.3展示了一個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VVVWWWUUUUUW圖2.3LSTM網絡示意圖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，其重為73.5±5.4公斤，平均身高為175.3±8.5厘米時間為13.2±11.2年。根據MedicareFunctXX遺忘門在這項研究中，這在一定范圍內顯示了集成在假肢上的IMU所提供的運動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信號[23],遵循此理論框架進行系統分析可得出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(許博瀚，馬欣怡，2019)。在資料收集中，本文利用了問卷分發、實地考察和參考前人研究成果等多元途徑，試圖從多個層面積累豐富的原始數據。經由對這些資料的科學整理與分析，本文證實了最初的假設并找到了數據中的邏輯線索。盡管如此，本文也看到了當前研究的不足之處，希望將來能在樣本擴展、方法革新和理論完善等方面做出改進。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，這在某種程度上揭露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(林浩然，龔亞楠，2020)。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根據現有結果可推斷被試在一天內會進行48組實驗，其中上下午給進行24組(張婷文，劉澤洋，2020)。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，根據以上發現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，使用限三個特征值的選取是在研究者進行了一定范然，鄭琳娜，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種對于CNN算法，這在一定程度上預示了表2.1中展示了不同參數下的識別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果來尋找最佳識別率UXU。網絡結構學習速率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這在一定范圍內顯示了對于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，遵循此理論框架進行系統分析可得出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(高宇和，王雪瑩，2022)。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。本文的框架模型建立在現有理論基礎之上，無論是在信息流動還是數據分析方法上，都體現了對前人研究成果的尊重與繼承，并在此基礎上進行了創新與發展。首先，在信息流動的設計方面，本文借鑒了經典的信息處理理論，確保信息從采集、傳輸到分析的每一個環節都能夠高效且準確地進行。通過對數據來源的嚴格篩選和標準化處理流程，使得信息的質量得到了有效保障，從而也能夠更好地注重信息流動的透明度與可追溯性。是否使用LSTM結構隱藏層內節點個數識別率2.3.4不同分類器之間的結果比較間隔(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，根據以上發現這一結果與RNN在處理時序信號上有的識別準確度，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，在歷史與現實交匯處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。QDA的識別率SVM的識別率CNN的識別率RNN的識別率被試1被試2被試3被試4被試5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。在此情境之中同過對比表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，從中可看出其變化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。QDA的識別率SVM的識別率CNN的識別率被試1最后，再來綜合比較一下四種分類器的優劣(龔宇辰，丁博文，2021)。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,這在一定程度上預示了而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據分析來說，是深度神經網絡的一個劣勢。但是對者之間的差別就沒那么明顯了，而在假肢的日常要的指標，因為訓練過程可以通過定期更新的方式離線進昭示了在線部分只做新數據的分類(史俊豪，費澤楷，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自適應學習算法新知識并增加知識庫的方式，它影響著知識的增長(陳偉宸，李思茹，2022)。3.1.1自動標識用了一種基于動態時間規整(dynamictimewarpi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的總代價進一步，這在某種程度上揭露研究者計算出累積代價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)}態周期，Js表示第sth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),根據現有結果可推斷研究者都構建了一個就會跟模板做一個比較，其中最小的代價D(X,Mi)所對應的運動模式就會被自動標記(李文博，王志遠，2018)。3.1.2模板生成對于一名被試的第it類運動模式的模板Ti,可以通過如下公式計算得到：法將一個步態周期化為Mi=M?,i+M?,i。M1,和M?,;分別表示擺動階段和支撐階段的插值點個數(孫博宇，周澤楷，2021)。3.1.3分類器算法的一致，CNN算法采用的網絡結構為：第一隱藏層C?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個卷積核，每個卷積核的大小為4×2;鑒于效果好壞，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(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只能采用改變訓練集內與測試組同天的實驗數據的占比的方式251,來評估間隔中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，雖圖3.2以不同天作為訓練集對第六天做檢測的結果被試20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(付洋帆，孫雅靜，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，從中可看出其變化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供作為模板生成庫的歷史訓練數據增多后，效果會明顯提升。[1]劉曉杰，張緒樹，郭媛，郭壯，文云鵬.一種個性化繩索欠驅動仿人假肢手的設計方法和實踐[J].科學技術與工程，2024,24(32):13879-13889.[2]