综述：基于小波变换的非侵入式胎儿心电信号后处理算法方法学评述

本文综述创新性地提出踝关节运动意图预测网络（AMIP-N），融合时序卷积网络（TCN）、长短期记忆网络（LSTM）与小波多头自注意力模块（WMSA），通过惯性测量单元（IMU）实现0.25秒踝关节矢状面角度轨迹预测，误差降低19.4%，实时性达7.16毫秒，为外骨骼控制提供精准频域-时域联合分析新范式。

　　

Abstract
运动意图预测是提升可穿戴外骨骼人机交互（HRI）自然性与响应速度的核心。针对传统方法难以适应动态步态且实时性不足的问题，研究团队提出基于惯性测量单元（IMU）的踝关节运动意图预测网络（AMIP-N），整合时序卷积网络（TCN）、长短期记忆网络（LSTM）与原创的小波多头自注意力模块（WMSA）。该模型通过离散小波变换（DWT）强化频域特征提取，结合多头自注意力（MSA）的并行计算与长程依赖捕获能力，仅需1秒历史IMU数据即可精准预测未来0.25秒踝关节矢状面角度轨迹。在公开数据集与自采数据集上的实验表明，AMIP-N的均方根误差（RMSE）较基线模型降低超19.4%，单次预测耗时仅7.16毫秒。进一步研究揭示了IMU放置位置对精度的影响，并划定最优预测区间。基于仿生踝关节张拉整体外骨骼（BATE）的实时控制实验验证了方法的实用性，预测轨迹与实际轨迹平均绝对误差仅2.73°。

Introduction
下肢外骨骼（LLEs）在行走辅助与康复领域面临人机交互延迟的挑战，而踝关节作为易损伤且功能关键部位，其运动意图预测尤为重要。现有技术可分为生理信号（如肌电EMG/脑电EEG）与物理传感器两类，前者易受个体差异与噪声干扰，后者以IMU为代表，兼具低功耗、高稳定性与实时性优势。当前研究多集中于步态相位识别（如多源信息融合框架准确率达97.7%）或行为模式分类（异构卷积模型在USC-HAD数据集精度93.49%），但固定控制策略难以适应动态步态变化。

早期机器学习方法（如支持向量机SVM、随机森林RF）在关节角度预测中表现有限。深度学习技术兴起后，时序卷积网络（TCN）与LSTM被应用于轨迹预测，例如在线TCN模型实现足部角度预测R²=0.95，七IMU多维数据预测关节角速度R²达0.98。然而现有方法在精度与实时性上仍无法满足外骨骼控制需求。

Section snippets
框架概述
AMIP-N的训练与部署流程通过仿生踝关节张拉整体外骨骼（BATE）实现，该外骨骼具有固有柔顺性与负载能力。模型利用运动捕捉与IMU同步数据训练，其中WMSA模块通过小波分解将输入序列转换为高频/低频分量，再经MSA并行处理，最终融合时-频特征输出预测结果。

数据集
研究采用Camargo公开数据集（含13名受试者），覆盖平地行走（LG）、楼梯攀爬（ST）与跑步机行走（TR）三种模式，IMU安装于右下肢四个位点，结合32标记点运动捕捉系统同步采集数据。

Discussion
频域特征对踝关节运动预测具有显著影响，AMIP-N通过WMSA模块同时捕获时域动态与频域节律，在LG、ST、TR模式下的RMSE分别达1.612°、1.733°与1.561°，显著优于纯时域模型。IMU放置于胫骨前侧时信号最具判别力，而0.25秒预测区间平衡了精度与系统延迟需求。

Conclusion
AMIP-N通过融合TCN-LSTM架构与频域特征提取能力，为外骨骼控制提供高精度实时预测方案。未来可探索多关节协同预测与个性化自适应训练，进一步推动康复机器人技术发展。