一个改进的极端学习机器 (ELM) 算法,用于识别动力膝关节假肢的腿外截肢者的意图

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 现有的人类运动意图识别模型由于复杂的结构和大参数要求而面临挑战.
• 便携式设备的实时识别对于诸如动力假肢等应用至关重要.

研究的目的:

• 开发一个改进的极端学习机器 (ELM) 分类器,以准确有效地识别人类运动意图.
• 为了减少实时应用的分类模型的复杂性和参数数量.

主要方法:

• 改进了极端学习机器 (ELM) 结构,使用后勤回归 (LR) 来最大限度地减少隐藏层节点.
• 开发了一种混合灰狼优化和粘液模具算法 (GWO-SMA),以优化隐藏层偏差.
• 实现了一个只有234个参数的模型,以便在便携式设备上有效存储.

主要成果:

• 拟议的模型在使用5倍交叉验证识别9个日常运动模式时达到96.75%的准确性.
• 实时预测时间仅维持在2ms.
• 成功地证明了各种运动模式的识别,包括步行,坡道上升/下降,坐/站,和楼梯上升/下降.

结论:

• 改进的ELM分类器为人类运动意图识别提供了更高的准确性和效率.
• 该模型的低参数数量和实时性能使其适合在便携式设备上进行内置处理.
• 这种方法具有显著的潜力,可以通过连续运动模式识别来推进动力膝关节假肢的高级控制.