基于分步机器学习的智能假肢步态识别OA北大核心CSTPCD

为了改善当前智能假肢步态识别在特征值选取和使用单一分类模型进行步态识别的不足,提高智能假肢穿戴者步态识别准确率,选择表面肌电信号(sEMG)作为步态识别信号源,提出基于灰度模型系数的特征提取方法,建立基于分步机器学习的步态识别模型。该模型选取灰度模型系数作为输入特征值,运用深度瘠波神经网络对步态做出初步识别,区分出易混淆步态,最后使用基于花授粉算法优化极限学习机参数的方法对易混淆步态作进一步的区分。实验结果表明,该方法对于平地行走、上楼、下楼、上坡、下坡、起立和坐下7种步态的识别准确率为98.25%,识别时间为70.48 ms,识别准确率高于单一机器学习模型。