85、微循环动力学建模与假肢步态运动学模块化控制

微循环动力学建模与假肢步态运动学模块化控制

在医学和生物工程领域，对于人体生理状态的评估以及假肢步态的控制研究一直是重要的课题。本文将围绕微循环动力学的自回归模型对受试者年龄的分类研究，以及假肢步态中运动学的模块化控制展开探讨。

微循环动力学自回归模型研究

模型识别方法

在对微循环动力学进行建模时，采用了多种自回归（AR）模型识别方法：
- Yule - Walker方法 ：也称为自相关方法，它通过对输入数据应用窗函数，最小化正向预测误差的平方。该方法会导出Yule - Walker方程，可使用Levinson - Durbin递归求解。
- 前后向方法 ：以最小二乘法最小化前后向预测误差。
- Burg方法 ：同样通过最小化前后向预测误差使模型拟合信号。不同的是，该方法对AR模型参数进行了适当约束，以满足Levinson - Durbin递归，确保所识别模型的稳定性。

为了确定每种方法的最佳性能，将AR模型的阶数在p = 4到p = 10之间进行了变化。

分类方法

采用了两种分类方法来评估脉搏波参数的时间序列区分受试者不同年龄的能力：
- 二元分类 ：通过设定一个任意的年龄阈值，将受试者分为两个年龄组。为了找到使分类器达到最高准确率的最佳组合，会改变年龄阈值、模型阶数和采用的关系。
- 线性分类 ：将年龄用对应受试者实际年龄的数值表示，旨在检测分类器根据AR模型系数A估算受试