摘要：针对人体下肢不同步态过程的个体差异和行走过程中步幅随机变化等问题,本文提出一种利用运动姿态信号进行步态识别与预测的方法。研究采用基于免疫粒子群算法(IPSO)优化门控循环单元(GRU)网络算法,建立以人体姿态变化数据为输入,以下一阶段姿态变化数据及准确率为输出的网络模型,以期实现对人体姿态变化的预测。本文首先明确概述IPSO优化GRU算法的过程,采集多名受试者分别执行平地行走、蹲起、坐姿腿屈伸等动作的人体姿态变化数据,通过对比分析IPSO优化的循环神经网络(RNN)、长短期记忆网络(LSTM)、GRU网络识别与预测情况,以验证所建模型的有效性。试验结果显示,优化后的算法可较好预测人体姿态变化,其中平地行走和蹲起动作的均方根误差(RMSE)可精确到10^(-3),坐姿腿屈伸的RMSE可精确到10^(-2);各种动作的R^(2)值均可达0.966以上。以上研究结果表明,优化后的算法可应用于实现康复治疗中人体步态运动评价和步态趋势预测、假肢和下肢康复设备设计等研究,对今后提高患者肢体功能、活动水平和生活独立能力的研究提供参考。

摘要：为增强人体的下肢运动机能,研制一套柔性功能外衣,作为助力系统的末端执行元件包覆于人体下肢,对髋关节的前屈动作助力,并研发基于力位混合控制的外接驱动系统,初步完成下肢柔性助力外衣系统样机的搭建。在此基础上,提出以IMU为主导的自适应步态检测算法,检测频率自适应于人体运动速度,实现步态信息的高效检测,并以检测信息为基础,提出“牛顿+三次指数平滑”预测算法,实时预测人体下肢动作。研究结果表明:功能外衣具有较高的刚度和良好的穿戴舒适性,符合功能外衣的设计要求;“牛顿+三次指数平滑”预测算法可实时预测50 ms之后的髋关节角度,预测过程稳定,在人体行走过程中,预测曲线平滑性较好,精度较高,可满足助力系统的步态预测要求,为下肢助力研究提供依据。

摘要：在双足式步态活动期间,人体是使用四肢之间的运动神经元协作传递来实现行走这个过程的。值得一提的是,这种神经元之间的步态运动的协作性在神经损伤之后对于神经的重塑有着转化性的康复训练意义。该研究利用上下肢的步态关联性,旨在设计1个基于健康摆动的上肢来预测下肢步态轨迹的方法,可用于帮助大多数的偏瘫患者进行重塑下肢运动神经功能。首先利用采集正常人的步态数据并加以分析。利用非线性时序预测(Nonlinear Autoregressive models with Exogenous Inputs,NARX)神经网络,以上肢各关节步态转角为输入向量,下肢的髋关节和膝关节的步态转角为输出向量与反馈输入向量,建立1个相对准确且实时的下肢步态预测算法。

摘要：步态轨迹预测用于预测人体下肢运动,在实现下肢外骨骼人机协同控制中起着重要的作用。将步态预测应用于外骨骼人机协同控制,可以解决基于物理型人机协同控制中因延时而带来的运动滞后,以及基于感知型人机协同控制中的信号易受干扰等问题。提出了一种模型分块逼近的RBF神经网络策略实现膝关节的步态预测。首先基于RBF神经网络对下肢膝关节模型矩阵进行逼近,并建立膝关节步态预测模型;然后设计并实现了步态捕捉实验,获取了上下阶梯步态模式下的膝关节连续两个步态周期的运动数据,并将前一步态周期作为步态预测模型的输入。步态预测结果与下一步态周期的实际步态轨迹的对比结果表明,该方法具有较好的步态预测效果。

摘要：目前用户在虚拟环境中改变所处位置的方法主要是通过鼠标和键盘。针对用户在虚拟现实环境中交互性差和沉浸感不强的问题,设计一套踏板式行走装置。为了保持行走装置和用户步态的同步性,首先,提出一种基于灰色理论的人体步态预测方法,指出传统的灰色预测在形成公式时默认初始预测数值为已知条件是不合理的,应当根据实际情况来选择要使用的数据。其次,给出基于灰色理论的更新算法,将已知数据序列中每一个数据作为初始预测值建立公式模型分别计算结果,对比结果精度选择出最优预测模型。实验结果表明,在数据有限的情况下,改进型预测公式可以很好地给出预测结果,有利于踏板式行走装置与人体步态运功的同步性提高。