[发明专利]一种基于加权KNN的人体意图识别方法

说明书

本发明公开了一种基于加权KNN的人体意图识别方法，包括如下步骤：获取膝关节假肢动作数据；利用不同尺寸时间窗采样数据，提取相关时域特征，组成样本集；利用三个改进的加权KNN模型(选取不同邻居值)建立多分类步态识别系统；利用多分类步态识别系统对下肢假肢步态进行识别，并更替人体测试数据池；本发明利用KNN算法处理多分类问题的优越性，提出更替数据的思想，从而减少数据处理量，节约运算时间，显著提高分类准确率和降低稳态误差。

技术领域

本发明属于模式识别领域，涉及到一种下肢假肢步态识别方法，尤其涉及一种基于加权KNN的人体意图识别方法。

背景技术

由于外伤、疾病等原因导致的下肢截肢患者，在生活和工作中都收到了严重的影响。与上肢假肢不同，下肢假肢的控制涉及到人体平衡问题，对于日常行走和其他活动的进行都十分关键。

佩戴假肢能够有效帮助截肢患者恢复基本的日常运动能力，但是大部分截肢患者佩戴的都是被动型假肢，不能降低能耗，日常佩戴会使截肢者觉得很累。

德国Otto Bock公司的C-Leg、Genium系列假肢，冰岛Ossur公司的Rheo Knee假肢等技术都十分成熟，对于运动模式的识别也是智能假肢研究领域的热点问题。但目前世界上所有商业型智能膝关节假肢都是使用基于规则的启发式方法进行模式识别。所以开发使用机器学习方法进行人体意图识别的智能膝关节假肢也十分重要。

由于使用机械传感器获取人体生物力学信号与获取肌电信号相比，在实施上更容易近些年国内外一些学者对其特点及应用进行了深入研究。Han等利用单个惯性测量单元获取x，y，z三个轴的加速度及角速度数据，特征处理后对正常行走、上坡等9种日常运动步态进行模式识别，准确率达到96.71％。目前国内外研究主要集中于多种机械传感器的组合使用，及与肌电信号进行融合处理的模式识别。

上世纪90年代起，使用机器学习算法开始应用于运动模式分类上。线性判别分析(LDA)、神经网络等方法先后在研究型智能膝关节假肢上进行运动模式识别实验。BP神经网络由于它独特的神经元连接机制，在神经元数量足够多时，可拟合任何一种非线性函数的优势，在模式识别领域得到了广泛的应用，比其他简单算法SVM，QDA，LDA有更好的识别效果，但是也存在权值参数过多，设置繁琐、训练速度慢等缺陷。

KNN(K-Nearest Neighbor)最邻近分类算法是数据挖掘分类技术里面最简单的算法之一，它的指导思想是”近朱者赤，近墨者黑“，根据目标数据的邻居来推断出它的类别。为了判断未知样本的类别，以所有已知类别的样本作为参照，计算未知样本与所有已知样本的距离，从中选取与未知样本距离最近的K个已知样本，根据少数服从多数的投票法则，将未知样本与K个最邻近样本中所属类别占比较多的归为一类。KNN算法缺陷在于，样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数，会影响运算结果。另外一个缺陷是计算量大，对于每一个待分类的数据都要计算它与所有已知样本之间的距离，才能求得它的K个最近邻点。

K-Fold交叉验证,是将原始数据分成K组(K-Fold)，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型。这K个模型分别在验证集中评估结果，最后的误差MSE(Mean Squared Error)加和平均就得到交叉验证误差。交叉验证有效利用了有限的数据，并且评估结果能够尽可能接近模型在测试集上的表现，可以做为模型优化的指标使用。软投票分类器是聚合多个不同分类器预测的类别，然后对多种结果的预测精度加权后取最高值为最终的预测结果。

发明内容