30、基于IPSO - LSTM的关节角度预测及康复外骨骼应用研究

基于IPSO - LSTM的关节角度预测及康复外骨骼应用研究

1. IPSO - LSTM关节角度预测原理

长短期记忆（LSTM）网络是一种深度学习模型，其结构在时间序列建模方面表现出色。利用LSTM深度网络建模，能够有效提取表面肌电信号（sEMG）中具有时空相关性的序列信息，使模型具备较强的泛化能力，满足运动模型迁移的需求。

具体操作是使用sEMG信号和关节角度信号数据集对模型进行训练，从而挖掘sEMG信号与运动关节角度在时间上的深度耦合关系，并据此建立LSTM关节角度预测模型。为获取最优模型，对同一测试者在相同动作下不同通道的不同特征参数组合数据集的膝关节运动角度进行了研究。通过分析特征参数变化，选取了股直肌积分值、半腱肌标准差、股外侧肌平均功率频率、腓肠肌中频以及股直肌小波系数最大值作为最优特征值。

在LSTM算法中，迭代次数、学习率和隐藏层数量的值通常是随机设置的。为减少参数的随机性，提高模型的预测效果，提出了粒子群优化LSTM预测模型算法（PSO - LSTM），用于解决LSTM模型中这三个参数的随机设置问题。

粒子群优化（PSO）是一种进化算法，它与模拟退火算法类似，从一个随机解开始，通过迭代寻找最优解，并通过适应度评估解的质量。PSO的基本原理基于对动物群体活动和行为的观察，以及群体中个体信息的共享，使群体在解决问题的空间中从无序向有序进化，进而获得最优解。在PSO中，每个优化问题的解被视为搜索空间中的一只“鸟”，即“粒子”。所有粒子都有一个由优化函数确定的适应度值，以及一个决定其飞行方向和距离的速度。粒子会跟随当前最优粒子在解空间中搜索。

PSO初始化为一组随机粒子（随机解），并通过迭代找到最优解。在每次迭代中，粒子通过跟踪