高精度下肢意图识别:KPCA-ISSA-SVM方法与sEMG-IMU传感器融合
Kaiyang Yin1, Pengchao Hao1, Huanli Zhao1
1School of Electrical and Mechanical Engineering, Pingdingshan University, Pingdingshan 467000, China.
Biomimetics (Basel, Switzerland)
|September 26, 2025
概括
本研究介绍了一种使用内核主要组件分析 (KPCA) 和改进的子搜索算法 (ISSA) 的新框架,以优化支持矢量机器 (SVM) 来识别从生理信号中的人类运动意图.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 人机界面 人机界面
背景情况:
- 从生理信号解读人类运动意图对于先进的康复设备至关重要.
- 传统方法与生物数据的非线性动态作斗争,限制了准确性.
- 准确的意图识别是对外骨和假肢直观控制的关键.
研究的目的:
- 为下肢运动意图识别开发一种新且准确的框架.
- 解决传统方法在捕获复杂的生物数据动态方面的局限性.
- 提高用于康复应用的人机系统的性能.
主要方法:
- 集成核心主要组件分析 (KPCA) 用于非线性维度缩小.
- 采用了改进的搜索算法 (ISSA) 来优化支持向量机 (SVM) 的超参数.
- 使用同步表面电肌图 (sEMG) 和惯性测量单元 (IMU) 数据进行特征提取.
主要成果:
- 拟议的KPCA-ISSA-SVM框架实现了95.35%的离线和93.3%的在线识别准确度.
- 与传统的PCA-SVM (91.85%) 和独立的SVM (89.76%) 相比,表现出更高的性能.
- 有效处理sEMG-IMU数据和复杂运动模式的非线性合特性.
结论:
- KPCA-ISSA-SVM架构为意图感知提供了一个强大的,更准确的解决方案.
- 这一框架促进了更直观,更有效的康复技术的发展.
- 该研究强调了先进的机器学习技术在解码复杂的生理信号方面的潜力.
