[发明专利]一种基于加权KNN的人体意图识别方法

权利要求书

1.一种基于加权KNN的人体意图识别方法，其特征在于：包括以下步骤：

步骤1：让截肢患者穿戴假肢，进行步行、上坡、下坡、上楼梯、下楼梯五种步态的适应训练，进行正式数据采集前的准备工作；

让测试者穿戴假肢，进行步行、上坡、下坡、上楼梯、下楼梯五种步态运动，并使用IMU、膝关节编码器、压力传感器进行数据采集；

分别比较不同时间窗下KNN算法对于五种步态分类的准确度；分别测试在脚跟着地前100ms、200ms、300ms、400ms及脚跟着地后100ms、200ms、300ms、400ms及脚跟着地前50ms至后50ms总长度为100ms、前100ms至后100ms总长度为200ms、前150ms至后150ms总长度为300ms、前200ms至后200ms总长度为400ms；通过比较，最后选择在脚跟着地前100ms至后100ms设置长度为200ms时间窗，进行试验的原始数据采样；

采用200ms时间窗对原始数据进行采样，进行时域分析，选取最大值、最小值、均值、标准差作为特征值，对选取的特征值进行数据归一化处理；采用200ms时间是指脚跟着地前100ms到脚跟着地后100ms；

步骤2：使用K-Fold交叉验证，K＝5，分割训练集和测试集；使用加权KNN算法对测试集数据进行测试，离测试点越近的邻居给予越高的权重，最后判断出测试点属于哪一类运动状态；

设置K值为1到15，通过计算测试集所有数据的成功率比较，选取准确率最高的K值，作为我们假肢测试中的KNN算法中的K1值，相同的标准也选取出次高的K2值，再次高的K3值，当准确率数值相同或相近时，距离中位数K＝8越近的值，优先级越高；

步骤3：利用选出的K1值，再次对测试集进行训练，并对每一个数据所选出的K1个邻居进行加权投票，距离最近的邻居给予更大的权值投票值，在所有数据都测试完毕后，统计每类标签下，累计投票值最大的前K1个值，共同组成人体测试数据池1；也分别对K2、K3值也进行同样训练操作，分别构成人体测试数据池2和人体测试数据池3；

人体测试数据池分为固定池和更替池；固定池内数据为固定不变的，更替池中距离新采集到的数据最远的点将会被剔除，由人体测试新采集到的数据补上；

步骤4：让已经完成适应准备工作的截肢患者再次进行人体测试，运动中新产生的数据，使用加权KNN算法，计算与人体测试数据池中已有数据的距离，根据前K1个邻居中K2和K3，各分类的加权值累加比较，将三个KNN分类器分类结果的预测精度加权后取最高值为最终的预测结果；实现运动中的人体意图识别；新判断的数据会连同被分类的标签一起补充到更替池1、2、3中，更替池中距离新采集到的数据最远的点将被剔除；

对于使用K1值的KNN1分类器，给与它的预测结果一个高的权重ω₁＝1.01，对于使用K2值的KNN2分类器，给与它的预测结果一个正常的权重ω₂＝1，对于使用K3值的KNN3分类器，给与它的预测结果一个较低的权重ω₃＝0.99；

由于人体测试数据池中的数据，是由被测试人预测试阶段提取的，使用3个KNN分类器分别进行分类，将三个KNN分类器分类结果的预测精度加权后取最高值为最终的预测结果；所以虽然数据数量大大减少，但是准确率并没有影响，从而解决了原始KNN算法计算量大的缺陷；持续在同一运动状态下进行运动，会有大量相同分类的数据补充进更替池，由此减少同一步态行走下的稳态误差，提高分类准确率；由于固定池的存在，能够保证在步态转换下的正常分类。