基于核极限学习机的下肢关节力矩预测方法

针对极限学习机(extreme learning machine,ELM)预测下肢关节力矩时,随机初始化输入权重和偏置影响模型准确度问题,提出一种基于核极限学习机(kernel based extreme learning machine,KELM)的下肢康复机器人关节力矩预测方法.该方法将高斯核函数与ELM相融合,并采用遗传算法(genetic algorithm,GA)与粒子群优化(particle swarm optimization,PSO)结合的基因粒子群GAPSO对KELM的参数进行优化.首先,采集1位在跑步机上以0.4、0.5、0.6、0.7和0.8 m/s等5个不同速度行走的右下肢偏瘫患者运动数据并对数据进行预处理;其次,通过GAPSO对KELM进行优化,获得最优正则化系数C和核函数宽度参数S,将输出关节力矩与反向生物力学分析计算的关节作比较;最后,利用均方根误差(root mean square error,RMSE)和相关系数P来评价算法优越性.实验结果表明,基于GAPSO优化后的KELM(GAPSO-KELM)算法相对于PSO-KELM算法、KELM算法和ELM算法的平均最大均方根误差分别降低14％、18％、28％,且P除了 0.8 m/s右侧踝关节内外翻是0.79外,其余P最小是0.84,GAPSO-KELM算法进一步提高预测精度,使其为康复治疗提供更有效的算法支持.