Resumen

Objetivo. Estudiar la intención de reconocimiento de movimiento de prótesis de miembro inferior basado en el algoritmo de aprendizaje profundo CNN. Métodos. Se estableció un modelo de red neuronal convolucional (CNN) para reconstruir el patrón de movimiento. Antes de convertir el modo de movimiento del lado afectado, se vinculó el sensor al lado sano. Se empleó el clasificador para extraer y clasificar las características, a fin de realizar la descripción precisa de la intención de movimiento de los discapacitados. Resultados. El método propuesto en esta investigación puede alcanzar una tasa de reconocimiento del 98,2% de la intención de movimiento de pacientes con amputación de miembros inferiores en diferentes terrenos, y la tasa de reconocimiento puede llegar al 97 después de añadir el patrón convertido entre los cinco modos. Conclusiones. El algoritmo de aprendizaje profundo que reconoció y extrajo automáticamente las características puede mejorar efectivamente el rendimiento del control en la prótesis inteligente de miembro inferior y realizar la conversión natural y sin problemas de la prótesis inteligente en una variedad de modos de movimiento.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:intención de movimiento, tasa de reconocimiento, prótesis inteligente de miembro inferior, red neuronal convolucional, amputación de miembro inferior, prótesis de miembro inferior, intención de reconocimiento de movimiento, CNN, algoritmo, características
• Keywords:movement intention, recognition rate, intelligent lower limb prosthesis, convolutional neural network, lower limb amputation, lower limb prosthesis, motion recognition intention, CNN, algorithm, features