Resumen

El reconocimiento de la intención de movimiento a través de una prótesis de miembro inferior puede considerarse un tipo de reconocimiento de acciones a corto plazo, en el que la cuestión principal es explorar la conversión instantánea de la marcha (conocida como patrón de transición) entre cada dos estados estables diferentes adyacentes del modo de andar. Los métodos tradicionales de reconocimiento de la intención suelen emplear un conjunto de características estadísticas para clasificar los patrones de transición. Sin embargo, las características estadísticas de las señales a corto plazo a través de la conversión instantánea son empíricamente inestables, lo que puede degradar la precisión de la clasificación. Teniendo esto en cuenta, introducimos la transformada wavelet compleja de doble árbol unidimensional (1D-DTCWT) para abordar el reconocimiento de la intención de movimiento a través de la prótesis de miembro inferior. Por un lado, la capacidad de análisis local de la transformada wavelet puede amplificar las características de variación instantánea de la información de la marcha, haciendo que las características extraídas del patrón instantáneo entre dos estados estables diferentes adyacentes sean más estables. Por otro lado, la invariabilidad de la traslación y la selectividad de la dirección de 1D-DTCWT pueden ayudar a explorar las características continuas de los patrones, lo que refleja mejor la continuidad inherente de los movimientos de las extremidades inferiores humanas. En los experimentos, hemos reclutado a diez sujetos sanos y a un sujeto amputado y hemos recogido datos realizando cinco estados estables y ocho estados de transición. Los resultados experimentales muestran que la precisión de reconocimiento de los sujetos sanos ha alcanzado el 98,91%, el 98,92% y el 97,27% para los estados estables, los estados de transición y los estados de movimiento total, respectivamente. Además, la precisión de los amputados ha alcanzado el 100%, el 91,16% y el 90,27 en los estados estables, los estados de transición y los estados de movimiento totales, respectivamente. Las pruebas anteriores indican finalmente que el método propuesto puede explorar mejor la conversión instantánea de la marcha (mejor expresada como intención de movimiento) entre cada dos estados estables adyacentes diferentes en comparación con el estado de la técnica.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:estado estacionario diferente, prótesis de miembro inferior, estado estacionario, estado de movimiento total, reconocimiento de intención de movimiento, estado de transición, conversión instantánea de la marcha, sujeto corpóreo, características estadísticas, patrón de transición
• Keywords:different steady state, lower limb prosthesis, steady state, total motion state, motion intent recognition, transitional state, gait instantaneous conversion, bodied subject, statistical features, transitional pattern