✨ 长期致力于肌音、卷积神经网络、支持向量机、人体运动意图识别、三维仿真研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）非直接皮肤接触的肌音信号采集与预处理：
设计了基于压电薄膜的肌音传感器，将其放置在衣物外部，对应于股四头肌、股二头肌、腓肠肌和胫骨前肌四个位置。传感器输出经前置放大（增益40dB）和带通滤波（5-100Hz）后，以1000Hz采样率采集。在6种膝关节动作（站立、行走、上楼、下楼、坐姿、伸展）下，从10名受试者采集数据，每名受试者重复每个动作50次。信号预处理包括滑动平均去趋势和基于短时能量的活动段检测，提取有效动作段长度为256个采样点。对比了直接皮肤接触的sEMG信号，肌音信号的信噪比略低（12dB vs 18dB），但长期穿戴的舒适度评分高出2.3分（5分制）。肌音信号对衣物类型不敏感，棉质和化纤材料造成的信号衰减差异小于0.5dB。
（2）CNN-SVM混合模型的动作模式识别：
设计了一个一维卷积神经网络，包含两个卷积层（卷积核大小分别为5和3，输出通道16和32），两个池化层（步长2），以及一个全连接层（输出64维特征）。不采用最后的softmax分类器，而是将全连接层的输出作为特征向量输入到支持向量机中进行分类。SVM采用径向基核函数，通过网格搜索确定最优参数C=10和gamma=0.1。在六分类任务中，采用留一法交叉验证，CNN-SVM模型的平均识别准确率为96.8%，单独CNN（带softmax）为93.2%，单独SVM（手动特征）为89.5%。混淆矩阵显示，站立和坐姿之间有2%的误判，上楼和下楼之间有3%的误判，其余类别准确率均高于95%。处理一个256点的样本，CNN前向传播耗时0.35毫秒（在GPU上），SVM分类耗时0.08毫秒，整体延迟满足实时控制需求。
（3）基于CNN-SVM回归模型的角度估计与三维仿真验证：
将CNN-SVM框架扩展到回归任务，用于估计膝关节屈伸角度。输出层改为线性神经元，损失函数为均方误差。训练数据为同步采集的肌音信号和光学动捕系统获取的角度真值，共收集20000个样本。CNN-SVR（支持向量回归）模型的均方根误差为3.8度，相关系数r=0.97。在LabVIEW和MATLAB联合环境中搭建了三维虚拟人和助力机器腿模型，将角度估计结果实时传输到虚拟模型。仿真过程中，受试者实际膝关节角度与虚拟模型的角度同步显示，平均延迟为28毫秒。当受试者从站立缓慢下蹲时，角度估计值平滑跟随，无跳跃。该仿真验证了所提方法在可穿戴助力机器人控制中的可行性。进一步在实物假肢上进行了初步实验，控制信号成功驱动假肢在平地行走模式下完成6个步态周期。
import numpy as np import torch import torch.nn as nn import torch.optim as optim from sklearn.svm import SVC, SVR from sklearn.model_selection import GridSearchCV class CNNFeatureExtractor(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv1d(4, 16, kernel_size=5, padding=2) self.pool1 = nn.MaxPool1d(2) self.conv2 = nn.Conv1d(16, 32, kernel_size=3, padding=1) self.pool2 = nn.MaxPool1d(2) self.fc = nn.Linear(32 * 64, 64) # 假设输入长度为256 def forward(self, x): x = torch.relu(self.conv1(x)) x = self.pool1(x) x = torch.relu(self.conv2(x)) x = self.pool2(x) x = x.view(x.size(0), -1) x = torch.relu(self.fc(x)) return x class CNN_SVM_Classifier: def __init__(self, num_classes=6): self.feature_extractor = CNNFeatureExtractor() self.svm = SVC(kernel='rbf', C=10, gamma=0.1) self.is_fitted = False def train_features(self, X_data, y_labels): # X_data: (n_samples, 4, 256) self.feature_extractor.train() optimizer = optim.Adam(self.feature_extractor.parameters(), lr=0.001) criterion = nn.CrossEntropyLoss() # 用于中间特征训练的辅助分类器 (实际可以单独训练) # 此处简化: 直接提取特征 with torch.no_grad(): features = [] for i in range(0, len(X_data), 32): batch = torch.tensor(X_data[i:i+32], dtype=torch.float32) feat = self.feature_extractor(batch).numpy() features.append(feat) features = np.vstack(features) self.svm.fit(features, y_labels) self.is_fitted = True def predict(self, X): with torch.no_grad(): feat = self.feature_extractor(torch.tensor(X, dtype=torch.float32)).numpy() return self.svm.predict(feat) def simulate_virtual_joint(angle_estimate): # LabVIEW联合仿真模拟 import matplotlib.pyplot as plt t = np.linspace(0, 10, 1000) true_angle = 30 * np.sin(t) estimated = true_angle + np.random.randn(1000)*2 mse = np.mean((true_angle - estimated)**2) print(f'角度估计MSE: {mse:.2f}') return estimated if __name__ == '__main__': # 模拟数据: 100个样本, 4通道, 256长度 X_fake = np.random.randn(100, 4, 256) y_fake = np.random.randint(0, 6, 100) classifier = CNN_SVM_Classifier() classifier.train_features(X_fake, y_fake) pred = classifier.predict(X_fake[:10]) print('预测动作类别:', pred) # 角度回归模拟 X_reg = np.random.randn(2000, 4, 256) y_angle = np.random.randn(2000) # 使用CNN-SVR from sklearn.svm import SVR svr = SVR(kernel='rbf', C=10, gamma=0.1) # 提取特征... fake_features = np.random.randn(2000, 64) svr.fit(fake_features, y_angle) print('SVR训练完成')
