基于粒子滤波算法的足底压力预测

针对人体下肢运动状态识别精度低的问题,提出了一种基于足底压力的下肢运动状态识别预测方法。以EMED足底压力平板采集的不同步速下各40组足底压力数据为试验样本,通过分析足底压力特征参数,构建步态相位,建立足底步态周期关系,以及步态位移模型。下肢运动是非线性运动,采用步态周期模型结合粒子滤波算法实现足底压力预测。先对粒子群初始化获取先验概率密度函数,对预测压力进行估计,其次对状态向量检验,使用多元线性回归推导出预测足底压力。实验结果表明,在不同步态速度下,粒子滤波算法性能好,精确度达到97%以上,从而证明了足底压力预测方法的有效性。补充不同年龄、性别、体重的实验者的足底压力数据进行分析,预测精度均在97.5%以上,验证了预测算法的稳定性和精准性。     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

基于改进时空步态图的步态识别

基于图像步态识别因缺乏有效动态、时序特征,导致跨视角识别时准确率较低,而基于模型步态识别特征维度不足,容易造成步态识别平均准确率不高。故提出一种改进时空步态图(Improved Chrono-Gait Image,ICGI)及特征融合策略的解决方法,将时序信息与人体下肢关节间角度的规律变化相结合,突出步态运动时下肢的周期性变化。在引入时序信息的基础上,融合下肢关节点间动态特征,建立一个更加丰富、有效的特征集。结合最近邻算法(KNN)建立步态识别模型,在CASIA-B数据集上进行对比实验,证实所提方法能有效提高复杂环境下步态识别精度。     

基于SAE和LSTM的下肢外骨骼步态预测方法

提出一种基于栈式自动编码器（Stacked Auto Encoder,SAE）和长短时记忆（Long Short-Term Memory,LSTM）神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作为输入,步态作为输出,构建SAE-LSTM神经网络模型,并利用Keras对SAE-LSTM神经网络进行搭建和验证。实验结果表明,SAE-LSTM神经网络根据之前时间段的步态序列有效地预测出下一时刻的步态信息,平均准确率能够达到92.9%以上。     

基于深度学习的步态识别算法优化研究

基于深度学习的神经网络,对步态识别算法进行了优化研究。利用粒子群优化BP神经网络阈值、权值,在神经网络中代入优化后的初始值进行训练,避免陷入局部最优。通过Vicon MX系统对角度特征值进行采集,利用基于粒子群优化BP神经网络进行识别,验证其识别步态的可行性;筛选出传感器系统特征值,在对其优化改进时选取粒子群优化BP神经网络。与传统神经网络法、粒子群优化法相比,基于粒子群优化BP神经网络法的识别方式,识别时间短且识别率高。     

基于有监督Kohonen神经网络的步态识别

表面肌电信号随着时间的变化而改变,这将影响运动模式的分类精度.传统人体下肢假肢运动模式的识别算法不能保证在整个肌电控制时间内达到对运动模式的有效识别.为了解决这些问题,本文提取步态初期200ms的信号的特征值,将无监督和有监督的Kohonen神经网络算法应用到大腿截肢者残肢侧的步态识别中,并与传统BP神经网络进行了对比.结果表明,有监督的Kohonen神经网络算法将五种路况下步态的平均识别率提高到88.4%,优于无监督的Kohonen神经网络算法和BP神经网络.     

基于Tsfresh-RF特征提取的人体步态识别算法

惯性传感器(IMU)由于尺寸小、价格低、精度高以及信息实时性强等优点, 在人体运动信息的获取与控制等方面得到广泛应用, 但在步态识别的时间序列特征提取和步态环境数据等方面还存在着明显的局限. 本文针对人体下肢步态识别特征提取的复杂性及适用性差等问题, 提出基于Tsfresh-RF特征提取的人体步态识别新方法. 首先, 利用IMU获取的人体步态数据集, 构建基于Tsfresh时间序列特征提取和随机森林(RF)的人体步态识别算法模型. 其次, 采用该算法对人体不同传感器位置进行实验, 完成爬梯、行走、转弯等9种人体运动步态的识别. 最后, 实验结果表明所提方法平均分类准确率达到91.0％, 显著高于传统的支持向量机(SVM)与朴素贝叶斯(NB)等方法的识别结果. 此外, 本文所提基于Tsfresh-RF特征提取的人体步态识别算法具有很好的鲁棒性, 将为后续下肢外骨骼机器人的控制提供有利依据.     

基于特征融合的步态识别算法

步态运动中包含人体形状信息和运动信息,目前步态识别算法多数基于单一信息,不能取得满意的识别结果。利用特征融合的思想,提出一种融合人体轮廓特征和下肢角度特征的步态识别算法。采用傅立叶描述子描述人体轮廓特征;区别于基于模型的运动特征提取方法,依据人体解剖学的知识获取下肢角度,计算代价较小;采用加权融合规则实现两类特征的融合。仿真结果表明,本算法的性能较基于单个特征的算法有明显的提高。     

基于人工智能的骨科护理用下肢训练康复系统设计

为进一步掌握骨科患者康复护理中的步态意图，提出一种步态识别结合PID的康复系统控制方法，其中，在提取患者步态信息特征基础上，利用多分类器对步态进行识别，以掌握患者的步态意图，然后利用R-PM法优化PID参数，实现参数的自整定，进而提高控制效率。结果表明：构建的康复训练系统的步态模式识别准确率达了99.44%,且反应速度快，对于肢体障碍患者的下肢康复训练有着较好的辅助作用。     

基于径向基函数神经网络的红外步态识别

为提高红外步态识别的效果,提出一种基于径向基函数神经网络的多分类器融合算法。对红外步态序列,分别应用基于轮廓线傅立叶描述子特征的模糊分类器和基于下肢关节角度特征的贝叶斯分类器进行识别,再利用径向基函数神经网络的学习和分类功能,对获得的输出信息进行度量层的融合和再识别。仿真实验结果表明,该算法获得更加精确的分类效果。     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

基于行走时脚摆角的步态识别方法

提出一种利用脚摆动特征进行步态识别的方法。对步态序列图像进行背景提取、图像差分、阈值分割、形态学后处理后,提取行走时的脚摆角作为特征参数,再分别采用BP神经网络、最近邻分类器和K近邻分类器法对这些特征数据进行识别分类与比较分析。实验结果表明,与同类方法相比,该方法可以更快速地进行步态识别,且识别性能较好。     

基于视频残差神经网络的深度步态识别

步态识别是根据人体的行走方式进行身份识别. 目前, 大多数步态识别方法通过浅层神经网络进行特征提取, 在室内步态数据集表现良好, 然而在近年新公布的室外步态数据集中性能表现不佳. 为了解决室外步态数据集带来的严峻挑战, 提出了一种基于视频残差神经网络的深度步态识别模型. 在特征提取阶段, 基于提出的视频残差块构建深层3D卷积神经网络(3D CNN), 提取整个步态序列的时空动力学特征; 然后, 引入时序池化和水平金字塔映射降低采样特征分辨率并提取局部步态特征; 使用联合损失函数驱动训练过程, 最后通过BNNeck平衡损失函数并调整特征空间. 实验分别在公开的室内 (CASIA-B)、室外(GREW、Gait3D)这3个步态数据集上进行. 实验结果表明, 该模型在室外步态数据集中的准确率以及收敛速度优于其他模型.     

基于特征融合的步态识别算法研究

根据人体步态变化特点,提出一种基于特征融合和神经网络的步态识别算法。首先采用时域差分法对运动人体轮廓进行分割,然后分别提取空间特征和频率特征,将两步态特征融合在一起,从而实现步态的分类和识别。在CASIA步态数据库上进行仿真实验,仿真结果表明,该方法不仅克服了单一特征提取方法存在的缺陷,同时提高了步态识别正确率。     

基于粗糙集支持向量机的红外步态识别

为进一步提高红外步态识别精度,构建了一种多分类器融合识别新模型,在根据各单分类器识别输出值构建度量向量的基础上,进行基于粗糙集支持向量机的多分类器融合识别.通过在Matlab7.5平台利用中科院红外步态库进行识别仿真实验,获得识别率和累积匹配分值的实验数据及对比结果.实验结果表明,基于粗糙集支持向量机的多分类器融合识别模型比单分类器在识别率方面有大幅度提高,识别性能理想,识别精度高.     

基于多维特征及BP网络的高分辨雷达目标识别

高分辨雷达目标的识别性能取决于目标特征的提取以及分类器的设计。为解决雷达高分辨距离像（HRRP）的方位、平移和幅度敏感性问题,采用了序贯预处理方法,有效提高了HRRP的信噪比。通过提取能较好反映雷达目标散射点回波特性的多维特征向量,设计BP神经网络作为分类器,提出了一种基于目标多维特征向量以及BP神经网络的高分辨雷达目标识别方法。利用在微波暗室测量获得的三种国产飞机模型回波数据进行目标识别处理,实验结果表明,提出的方法能有效地完成三种目标识别任务,在虚警率低于3%的情况下正确识别率优于95%。     

结合注意力卷积网络与分块特征的步态识别

目前深度学习算法已经广泛应用于步态识别领域,但是大多数现有方法通过卷积神经网络提取步态全局特征时,忽略了许多包含关键步态信息的局部特征,在一定程度上削弱了步态识别的精度和提升潜力.针对上述问题,提出了一种结合注意力卷积神经网络与分块特征的跨视角步态识别方法,该方法以步态轮廓图序列为输入,每帧图片分别经过相同结构的注意力...     

应用BP神经网络分类器识别交通标志

介绍了神经网络特性和BP神经网络分类器的一般原理。针对交通标志识别需要处理的信息量大以及受天气道路等外界条件的影响存在噪声干扰的情况，提出了一种应用BP神经网络分类器识别交通标志的方法。识别分为图像数字处理、BP神经网络的训练、测试与对加入噪声图像进行识别3个步骤，经实验取得了良好的识别效果。