基于几何与物理特征融合的智能下肢假肢运动意图识别Movement intention recognition of intelligent lower limb prosthesis based on the fusion of geometric and physical features
intention定义—locomotion modes 5类稳态模式: 平地行走、上楼、下楼、上坡和 下坡，8类转换模式
Research question
将关节角表示的几何特征与加速度、角速度表示的物理特征有机融合并应用于智能下肢假肢的运动意图识别
Introduction
传统的意图识别方法所用传感器数量及种类较多, 特征向量维数偏高, 统计特征对短时样本具有不稳定性（在1.3 特征选择与提取有公式证明）。related work没有结合几何和物理。
Methods
-
采样：健侧大腿、小腿惯性测量单元于摆动相前期所产生的运动时序数据作为样本；
-
数据处理：移动平均滤波器滤波去噪
-
特征提取：
- 几何特征：根据两个传感器的加速度、角速度计算一维的膝关节角，FDA方法提取最值斜率
- 物理特征：加速度、角速度的均值、方差
均值、方差、最值斜率融合构成25维的特征基构建特征向量
-
SVM分类
Results
13种日常行为进行分类。实验结果：对5类稳态模式: 平地行走、上楼、下楼、上坡和 下坡的识别率达到96.9%, 对8类转换模式的识别率达到97.1%, 对13 种模式的识别率为94.3%。
Highlights
减少了传感器的数量及种类, 降低 了特征向量的维数降低了算法复杂度且避免了滞后性问题, 用加速度、 角速度及膝关节角三个参数共同对人体下肢运动的运动学特点进行表征。
在特征的提取上, 将FDA方法与统计方法相结合, 弥补了仅提取统计特征的不稳定性问题。
Limits/Further Work
对于13种动作的识别率有待提高, 后期工作会集中于对类间相似性相对较强较难区分的动作进行分类, 如: 下楼与下坡, 走到下楼 与走到下坡等. 此外, 关节角度是一个可深度挖掘的几何信息, 如: 除膝关节外的髋关节与踝关节对下肢假肢运动意图中的作用有待进一步探究. 最后, 在分类策略如分类器上, 依然有改进的空间.
Thoughts/Comments
-
项目申报相关：
- 统计方法不稳定可以作为采用多种方式的依据。
- 联想到选题中“特征提取”，对“特征”的理解更清晰了。
-
本文特征提取：选定一个phase的时序信号，均值方差；那么可以用其他phase做类似处理得到更多指标，而不仅仅依赖原有数据。TODO 本文的去噪和特征工程方法可以参考。
-
了解了提取关节角的方法。
TODO 具体公式待后续整理。
-
根据行文是通过“实时传输解决滞后性问题解决”，是这样吗，主要矛盾是这里吗，那related work为什么不试试实时？后面可以看一下别人为什么会有滞后性问题
-
仅是识别（分类），没有提到识别后如何基于意图进行控制。