[发明专利]智能假肢及智能假肢的模式判断方法

说明书

本发明提供了一种智能假肢及智能假肢的模式判断方法。该智能假肢包括假腿和安装在假腿下端的假脚。假脚的底部安装有压力传感器，压力传感器用于检测假脚的底部受到的最大压力。如果最大压力为体重的1.2~1.7倍，则判断智能假肢处于步行状态；如果最大压力为体重的1.9~3倍，则判断假肢处于跑步状态。应用本发明的技术方案，在智能假肢的运动过程中，能够准确判断佩戴者当前所处的运动模式，控制智能假肢根据当前的运动模式调整运动状态，使得智能假肢可以与佩戴者的运动需求相匹配，提高生活水平。

技术领域

本发明涉及假肢技术领域，具体而言，涉及一种智能假肢及智能假肢的模式判断方法。

背景技术

随着社会的发展，交通的便利，工业化水平的不断提高，机器创伤车祸等造成截肢的患者越来越多，截肢给患者带来很多不便，失去了基本生活能力。因此研发一款能帮助截肢者实现基本生活能力的智能假肢也越来越紧迫。智能假肢需要具有帮助患者行走、骑车、走山地、防磕绊等功能，智能假肢要实现行走、骑车、走山地、防磕绊等功能，就必须具有识别行走、骑车、走山地、防磕绊等不同运动模式的能力，因此准确识别截肢者当前所处的运动模式对于提高智能假肢的性能具有重要意义。

目前运动模式识别方法主要有融合表面肌电和加速度信号的识别方法。融合表面肌电和加速度信号的具体实现方法是：首先，获取人体下肢表面肌电信号、加速度信号；之后，根据表面肌电信号用局部均值分解算法分解为多个乘积函数，根据表征不同动作分离性的平均欧氏距离，确定局部均值分解算法分解之后第一个乘积函数的多尺度排列熵，提取第一个乘积函数的多尺度排列熵作为表面肌电信号特征；最后，计算不同尺度熵的重要性，确定尺度熵组成4维特征向量，并和三轴加速度的排序熵组成7维特征向量，将7维特征向量输入根据类内平均欧氏距离和类间样本分布而改进的二叉树支持向量机进行下肢运动模式识别，实现行走、上楼、下楼、站到坐、坐到站、站到蹲和蹲到站等七个运动模式。

融合表面肌电和加速度信号的识别运动模式方法需要测量表面肌电信号和加速度信号。表面肌电信号需要将肌电传感器与人体皮肤表面完全接触，皮肤表面的干燥程度、清洁程度、出汗情况等都会影响肌电传感器的输出信号的强度，很容易出现测量结果不准确，判断失误等情况；而加速度信号的测试也容易受到不够清晰的运动信号影响而导致测量结构不准确。此外，融合表面肌电和加速度信号的识别运动模式方法需要经过复杂的计算，过程繁琐，不容易稳定实现。特别是对于走路-跑步的之间模式识别，在现有技术中较难以区分。

发明内容

本发明的主要目的在于提供一种智能假肢及智能假肢的模式判断方法，以解决现有技术中智能假肢的走路-跑步的之间模式识别精确度低的技术问题。

为了实现上述目的，根据本发明的一个方面，提供了一种智能假肢，包括：假腿和安装在假腿下端的假脚，假脚的底部安装有压力传感器，压力传感器用于检测假脚的底部受到的最大压力，如果最大压力为体重的1.2~1.7倍，则判断智能假肢处于步行状态；如果最大压力为体重的1.9~3倍，则判断假肢处于跑步状态。

在一个实施方式中，压力传感器设置在假脚的底部的前脚掌处。

在一个实施方式中，假腿包括大腿部和小腿部，大腿部和小腿部铰接连接。

在一个实施方式中，智能假肢还包括姿态传感器，姿态传感器安装在大腿部和小腿部铰接点，姿态传感器用于检测大腿部和小腿部之间的角度值，角度值呈周期性变化，在步行状态下，如果角度值的变化周期小于第一预定值，则判断智能假肢处于快走状态，角度值的变化周期大于第二预定值，则判断智能假肢处于常规走状态。

为了实现上述目的，根据本发明的一个方面，提供了一种智能假肢的模式判断方法，包括：检测脚底受到的最大压力；如果最大压力为体重的1.2~1.7倍，则判断智能假肢处于步行状态；如果最大压力为体重的1.9~3倍，则判断假肢处于跑步状态。