[发明专利]一种基于IPSO-BPNN的长时人体下肢运动预测方法

权利要求书

1.一种基于IPSO-BPNN的长时人体下肢运动预测方法，其特征在于，包括以下步骤：

S1：对各下肢关节的关节角度数据进行预处理，得到各下肢关节对应的训练样本和测试样本，同时，按照设定比例分别将各训练样本和各测试样本中的数据划分为输入数据部分和输出数据部分，其中，所述下肢关节包括左髋关节、右髋关节、左膝关节、右膝关节、左踝关节以及右踝关节；

S2：分别将各下肢关节作为当前关节执行模型训练操作，得到各下肢关节对应BPNN关节角度预测模型，其中，所述模型训练操作为：

S21：基于粒子群算法获取BPNN网络中各节点的权值与阈值的初始值，得到初始BPNN网络；

S22：将各下肢关节对应的所有训练样本中输入数据部分垂直拼接得到训练输入总矩阵，然后将训练输入总矩阵作为初始BPNN网络的输入，当前关节对应的训练样本中输出数据部分作为初始BPNN网络的输出，对初始BPNN网络进行训练，得到当前关节对应BPNN关节角度预测模型；

S3：将各下肢关节对应的所有测试样本中输入数据部分垂直拼接得到测试输入总矩阵，将测试输入总矩阵分别输入各下肢关节对应BPNN关节角度预测模型，实现人体各下肢关节的角度预测。

2.如权利要求1所述的一种基于IPSO-BPNN的长时人体下肢运动预测方法，其特征在于，分别将各下肢关节作为当前关节执行预处理操作，得到当前关节对应的训练样本和测试样本，所述预处理操作具体为：

S11：采用最小-最大归一化法对当前关节的原始关节角度数据进行归一化处理，得到归一化后的关节数据(y₁，y₂，...y_i...，y_n)，其中，i＝1，2，...，n，n为采样点的个数；

S12：对归一化后的关节数据(y₁，y₂，...y_i...，y_n)进行重构，得到L+N个重构序列S_j＝{y_1+(j-1)×t，y_2+(j-1)×t，...，y_{n-(L+N)×t+1+(j-1)×t}}，其中，j＝1，2，...，L+N，L为所述输入数据部分的数据长度，N为所述输出数据部分的数据长度，t为设定的时间跨度；

S13：将L+N个重构序列S_j组成重构矩阵S＝{S₁，S₂，...，S_L+N}^T，并将重构矩阵S的每一列分别作为一个样本数据，T表示转置；

S14：将重构矩阵S前70％的列作为训练样本，后30％的列作为测试样本；同时，将重构矩阵S的每一列的前L行作为所述输入数据部分，将后N行作为所述输出数据部分，且L至少为N的两倍。

3.如权利要求2所述的一种基于IPSO-BPNN的长时人体下肢运动预测方法，其特征在于，所述归一化后的关节数据(y₁，y₂，...y_i...，y_n)的获取方法为：

其中，y_min为设定的归一化后的关节数据可取得的最小值，y_max为设定的归一化后的关节数据可取得的最大值，x_i为当前关节的原始关节角度数据，x_max为当前关节的原始关节角度数据中的最大值，x_min为当前关节的原始关节角度数据中的最小值。

4.如权利要求2所述的一种基于IPSO-BPNN的长时人体下肢运动预测方法，其特征在于，所述时间跨度t的设定满足如下条件：输入数据部分最后一个采样点与输出数据部分任意一个采样点之间的时间跨度T_Pre-q均大于系统的实测延迟τ，且有：

其中，q为输出数据部分任意一个采样点的序号，f为采样频率。