基于多模式机器学习算法的人体下肢运动模式识别及其在髋上截肢生物电假体控制中的应用研究

　　本研究针对髋上截肢患者的生物电假体控制难题，开发了融合传统机器学习（SVM、kNN、DT）与前馈神经网络的下肢运动模式分类算法。通过EMG信号滤波、分割、特征提取及归一化处理，实现了高精度运动意图识别，为智能假肢的精准控制提供关键技术支撑。

　　

研究人员开发了一种用于识别人体下肢运动模式的算法，旨在控制髋上截肢患者使用的生物电假体。该算法系统解决了原始数据处理中的关键问题，包括信号滤波、肌电信号（EMG）分割和特征提取，并后续进行归一化处理与分类模块构建。研究同时涵盖经典机器学习方法（支持向量机SVM、k近邻kNN、决策树DT）和神经网络（标准前馈网络），通过多维度技术融合提升运动意图的解码精度，为高阶假肢的智能化控制提供新方案。