《表3 实验方法与结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于GMM-HMM模型的智能下肢假肢运动意图识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对于10名模拟患者，当运动模式包含5种稳态模式时，本文的识别率已经达到98.99%，高于文献[10-13]的识别结果。当引入8种转换模式时，本文的识别率为96.92%依然高于文献[10]，这与运动模式尤其是转换模式的重定义有着内在的密不可分的联系，传统的意图识别转换步起始于脚跟触地时刻，在脚跟触地时或脚跟触地后，而本文使用的转换步起始于前一个地形条件下一只脚的脚尖离地时刻，结束于同侧脚脚后跟着地于后一个地形。另一方面，本文实验采集的数据，均来自健侧的大腿、小腿及脚踝处的传感器，这样在转换步摆动相就可以识别出健侧的运动意图（且健肢的运动模式表现较为明显），由对称映射的关系自然可以知道假肢的运动意图。然而，此时的假肢运动模式还未切换，这时调节假肢的控制参数，可以解决传统意图识别中的滞后性问题。而且，本文采用的是单一类型惯性传感器，与文献[10-13]加速度计，陀螺仪，肌电信号等多类型传感器相比，不用解决数据融合的问题，降低了算法的计算复杂度，且在识别时间方面无延迟，识别精度上依然具有较好的表现（见表3）。