CN103984962A - 一种基于肌电信号的外骨骼行走模式识别方法 - Google Patents

Abstract

本发明涉及一种基于肌电信号的外骨骼行走模式识别方法，其特征在于该方法包括以下步骤：步骤(1)肌电信号采集，将肌电电极沿着所选肌群肌纤维的方向贴附在肌腹处，肌电信号传感器通过电极扣与肌电电极相连，固定于外骨骼上的单片机通过导线与肌电信号传感器相连，采集肌电信号；步骤(2)肌电信号调理，经过步骤(1)后，将肌电电极采集的表面肌电信号输入肌电信号传感器进行信号调理；步骤(3)基于阈值分割的SVM-KNN分类算法进行外骨骼行走模式识别，经步骤(2)处理的表面肌电信号输入单片机进行A/D转换、预处理消除零点漂移、检测特征提取初始时刻、特征提取和基于阈值分割的SVM-KNN分类算法分类，最终识别外骨骼行走模式。

Description

一种基于肌电信号的外骨骼行走模式识别方法

技术领域

本发明涉及一种应用于外骨骼的人体行走模式识别方法，具体为一种基于肌电信号的外骨骼行走模式识别方法。

背景技术

随着现代社会老龄化问题的日益加重，老年人的健康问题得到了全社会的广泛关注，其中腿脚不灵便是老年人生活中非常头疼的问题，很多老年人在上台阶或长时间行走时会感到腿脚无力，严重影响其正常的生活。外骨骼可以为老年人或行走不便者在平地行走、上下楼梯及上下坡过程中提供外在助力，帮助其保持适当的活动，对于提高老年人生活质量、减轻家庭和社会的负担具有重要意义。

外骨骼是以人的运动意图为向导，只有快速准确的检测出人体的行走模式，才能及时提供合适的动力，否则外骨骼将不再是助力而将成为行走的负担。因此，及时准确地识别行走模式是外骨骼控制的前提与基础。目前，外骨骼主要通过运动学信息对人体行走模式等进行识别，中国专利CN200910184850.0公开的“基于加速度传感器人体运动识别系统及方法”和CN201210156396.X公开的“一种基于加速度传感器的运动识别方法”均采集加速度信息进行识别，但是加速度信息是在受试者完成一定动作之后才能采集到，不能及时地识别相应的运动，导致外骨骼控制滞后于穿戴者的行为。肌电信号是产生肌肉力的电信号根源，发生在大脑产生动作意愿之后，肌肉收缩之前，是更靠近原始运动意图的信号。通过肌电信号可以在未做出动作前获取主动运动意图，相对于仅仅采集姿态、速度等运动力学信息的传统方法具有明显优势。

专利号为CN201210214871.4的中国专利公开的肌电信号与关节角度信息融合的下肢运动轨迹预测方法，利用肌电信号与膝关节角度信息，可以识别行走、站起、下蹲和伸膝四种下肢运动模式用于下肢假肢控制，其不足之处是利用Vicon三维运动捕捉系统计算膝关节角度，增加了信息采集的难度，将受试者的活动区域限制在特定的实验室，不利于技术的推广应用，而且并未提及上下楼梯和上下坡等常见路况信息的识别。但是，对于提供助力的外骨骼来说，及时识别上下楼梯和上下坡等行走模式，对于外骨骼控制和人机协调运动是非常关键和必要的问题。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于肌电信号的外骨骼行走模式识别方法。该方法可识别日常生活中常见的平地行走、上楼梯、下楼梯、上斜坡、下斜坡5种行走模式，能解决现有技术中的行走模式识别结果滞后、缺乏有效的路况识别方法等技术问题。

本发明解决所述技术问题所采用的技术方案是：设计一种基于肌电信号的外骨骼行走模式识别方法，其特征在于该方法包括以下步骤：

步骤(1)肌电信号采集，将肌电电极沿着所选肌群肌纤维的方向贴附在肌腹处，肌电信号传感器通过电极扣与肌电电极相连，固定于外骨骼上的单片机通过导线与肌电信号传感器相连，采集肌电信号；

步骤(2)肌电信号调理，经过步骤(1)后，将肌电电极采集的表面肌电信号输入肌电信号传感器进行信号调理，所述信号调理依次包括隔直处理，放大环节，50Hz工频滤波和低通滤波，将得到的信号输入单片机进行分析处理；

步骤(3)基于阈值分割的SVM-KNN分类算法进行外骨骼行走模式识别，经步骤(2)处理的表面肌电信号输入单片机进行A/D转换、预处理消除零点漂移、检测特征提取初始时刻、特征提取和基于阈值分割的SVM-KNN分类算法分类，最终识别外骨骼行走模式。

所述步骤(3)特征提取初始时刻的具体识别方法如下：

对臀中肌表面肌电信号采用移动时间窗的方法识别特征提取初始时刻，对选定肌肉群组在特征提取初始时刻确定之后的150ms进行时域特征提取；

a.确定每个移动时间窗的长度M和所取连续移动时间窗的个数N；M的取值范围为30-80ms，N的取值范围为3-6；

b.对每个移动时间窗内的信号进行积分，求得每个移动时间窗的能量，计算公式为(1)式：

$Q\left(j\right)=\underset{i=1}{\overset{i=M}{\mathrm{\Σ}}}S\left(i\right),1\≤j\≤N---\left(1\right)$

c.将移动时间窗的能量与分割阈值λ进行比较，若Q(1)<λ，且Q(2)>λ，Q(3)>λ，…，Q(N)>λ，则第二个移动时间窗的起点为特征提取的初始时刻。

所述时域特征包括平均值mean、均方根rms和标准偏差std，其具体计算分别为(2)、(3)和(4)式：

$\mathrm{mean}=\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}S\left(i\right)---\left(2\right)$

$\mathrm{rms}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{S}^2\left(i\right)}---\left(3\right)$

$\mathrm{std}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{(S\left(i\right)-\stackrel{\&OverBar;}{S})}^2},$ 其中 $\stackrel{\&OverBar;}{S}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{S}^2\left(i\right)}---\left(4\right)$

利用每组行走模式的时域特征构建特征向量x如(5)式：

x＝[mean1，rms1，std1，mean2，rms2，std2，

(5)

……，mean5，rms5，std5]

所述步骤(3)中基于阈值分割的SVM-KNN分类算法进行外骨骼行走模式识别的具体算法如下：

a.基于阈值分割SVM-KNN分类算法的离线训练

SVM分类算法通过核函数K(x_i-x)将低维空间向量x_i映射到高维空间寻找超平面进行分类，所选用的核函数为RBF高斯径向基核函数，表达式为(6)式：

K(x_i-x)＝exp(-g||x_i-x||²)   (6)

式中，g为核函数参数，x_i为支持向量，x为待分类向量，||x_i-x||²为二范数距离；

将RBF高斯径向基核函数带入决策函数(7)式

$\mathrm{dec}\_\mathrm{val}=\left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_{i}K(x_i-x)\right)+b---\left(7\right)$

得到最终决策函数(8)式

$\mathrm{dec}\_\mathrm{val}=\left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_i\exp (-g{\left|\right|x_i-x\left|\right|}^2)\right)+b;---\left(8\right)$

对于离线状态下提取的多组特征向量x，随机选取部分特征向量作为特征向量训练集对SVM分类算法进行训练，得到训练好的SVM分类算法，用训练SVM分类算法时得到的支持向量作为KNN分类算法的训练集，求得待分类向量与训练集中每个支持向量的距离，圈定距离最近的k个支持向量作为近邻，根据这k个近邻所属类别投票决定识别结果，其中k值通过实验统计得到；用其余特征向量作为特征向量测试集，检验经过离线训练的基于阈值分割SVM-KNN分类算法的识别效果；

b.阈值分割SVM-KNN分类算法的在线识别，此过程分为两步完成：

第一步，提取的特征向量输入训练好的SVM分类算法得到此待分类向量的所属类别和此次识别结果的置信度，识别结果置信度公式为(9)式：

$\mathrm{conf}=\frac{\mathrm{\&Sigma;}|\mathrm{dec}\_{\mathrm{val}}_l|}{2*p}+\frac{p}{2*n}---\left(9\right)$

式中，Σ|dec_val_l|为所有支持识别结果的决策值绝对值之和，p为支持识别结果的子分类器的个数，n为所有行走模式；

第二步，将SVM分类算法分类结果的置信度conf与设定的置信度阈值α进行比较，若conf>α，则SVM分类算法识别结果即为最后结果；若conf<α，则由经过支持向量训练的KNN分类算法进行识别，得到最后行走模式分类结果。

与现有技术相比，本发明以肌电信号作为信号源，更直接地反映了人体的运动意图。根据臀中肌的肌电信号确定特征提取初始时刻，减少了不同种类传感器的使用，对于日常生活中常见的5种行走模式进行识别。提取时域特征，计算简单，构建特征向量，最后采用基于阈值分割的SVM-KNN分类算法进行识别，提高分类精度。本发明方法可靠实用，识别用时短精度高，为外骨骼的实时性和安全性提供了保证。

附图说明

图1为本发明基于肌电信号的外骨骼行走模式识别方法的整体工作流程示意图；

图2为本发明基于肌电信号的外骨骼行走模式识别方法的肌电电极分布示意图；

图3为本发明基于肌电信号的外骨骼行走模式识别方法的基于阈值分割的SVM-KNN分类算法的算法流程图；

图4为本发明基于肌电信号的外骨骼行走模式识别方法的单片机识别行走模式主程序流程图；

图5为本发明基于肌电信号的外骨骼行走模式识别方法的单片机中断服务程序流程图；

在图中，11.股直肌，12.股外侧肌，13.股内侧肌，14.臀中肌，15.腓肠肌。

具体实施方式

下面结合实施例及附图对本发明进行详细说明。下述实施例仅是对本发明的进一步详细地说明及解释，并不以此限定本申请权利要求的保护范围。

本发明基于肌电信号的外骨骼行走模式识别方法(简称方法，参见图1-5)的具体步骤如下：

步骤(1)肌电信号采集，找到所选肌肉群组(股直肌11、股外侧肌12、股内侧肌13、臀中肌14及腓肠肌15)的具体位置，肌电电极分布与连接(参见图2)时，首先去除皮肤上的油脂和污物，并用酒精擦拭，将附有不干涸导电凝胶的一次性使用三点式差动输入肌电电极按照肌肉纤维走向，顺贴在肌腹处，这样可以减小对其测量精度的影响。肌电信号传感器通过电极扣与肌电电极相连，固定于外骨骼上的单片机通过导线与肌电信号传感器相连，采集肌电信号。

步骤(2)肌电信号调理，经过步骤(1)后，将肌电电极在5种不同模式下采集的表面肌电信号输入肌电信号传感器进行信号调理，所述信号调理依次包括隔直处理，放大环节，50Hz工频滤波和低通滤波，将得到的信号输入单片机进行分析处理。

步骤(3)基于阈值分割的SVM-KNN分类算法进行外骨骼行走模式识别，经步骤(2)处理的表面肌电信号输入单片机进行A/D转换、预处理消除零点漂移、检测特征提取初始时刻、特征提取和基于阈值分割的SVM-KNN分类算法分类，最终识别外骨骼行走模式。

所述步骤(3)特征提取初始时刻的具体识别方法如下：

对臀中肌表面肌电信号采用移动时间窗的方法识别特征提取初始时刻，对选定肌肉群组在特征提取初始时刻确定之后的150ms进行时域特征提取。

a.确定每个移动时间窗的长度M和所取连续移动时间窗的个数N，M的取值范围为30-80ms，N的取值范围为3-6；如果时间窗的长度M和时间窗个数N过小，容易在同一周期检测到多个特征提取初始时刻(应该每个周期只检测到一次),同时易把干扰误检测为特征提取初始时刻；如果M和N值过大，检测特征提取初始时刻过长，影响行走模式识别的实时性，综合准确性和实时性，选取M值为50ms，N值为4。

b.对每个移动时间窗内的信号进行积分，求得每个移动时间窗的能量，计算公式为(1)式：

$Q\left(j\right)=\underset{i=1}{\overset{i=M}{\mathrm{\&Sigma;}}}S\left(i\right),1\&le;j\&le;N---\left(1\right)$

c.将移动时间窗的能量与分割阈值λ进行比较，若Q(1)<λ，且Q(2)>λ，Q(3)>λ，…，Q(N)>λ，则第二个移动时间窗的起点为特征提取的初始时刻。

时域特征包括平均值mean、均方根rms和标准偏差std，其具体计算分别为(2)、(3)和(4)式：

$\mathrm{mean}=\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}S\left(i\right)---\left(2\right)$

$\mathrm{rms}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{S}^2\left(i\right)}---\left(3\right)$

$\mathrm{std}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{(S\left(i\right)-\stackrel{\&OverBar;}{S})}^2},$ 其中 $\stackrel{\&OverBar;}{S}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{S}^2\left(i\right)}---\left(4\right)$

利用每组行走模式的时域特征构建特征向量x如(5)式：

x＝[mean1，rms1，std1，mean2，rms2，std2，

(5)

……，mean5，rms5，std5]

所述步骤(3)中基于阈值分割的SVM-KNN分类算法(参见图3)进行外骨骼行走模式识别的具体算法如下：

a.基于阈值分割的SVM-KNN分类算法的离线训练

SVM分类算法通过核函数K(x_i-x)将低维空间向量x_i映射到高维空间寻找超平面进行分类，所选用的核函数为RBF高斯径向基核函数，表达式为(6)式：

K(x_i-x)＝exp(-g||x_i-x||²)   (6)

式中g为核函数参数，x_i为支持向量，x为待分类向量，||x_i-x||²为二范数距离；

将RBF高斯径向基核函数带入决策函数(7)式

$\mathrm{dec}\_\mathrm{val}=\left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_{i}K(x_i-x)\right)+b---\left(7\right)$

得到最终决策函数(8)式

$\mathrm{dec}\_\mathrm{val}=\left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_i\exp (-g{\left|\right|x_i-x\left|\right|}^2)\right)+b---\left(8\right)$

对于离线状态下提取的多组特征向量x，随机选取部分特征向量作为特征向量训练集对SVM分类算法进行训练，得到训练好的SVM分类算法，用训练SVM分类算法时得到的支持向量作为KNN分类算法的训练集，求得待分类向量与训练集中每个支持向量的距离，圈定距离最近的k个支持向量作为近邻，根据这k个近邻所属类别投票决定识别结果，其中k值通过实验统计得到；用其余特征向量作为特征向量测试集，检验经过离线训练的基于阈值分割SVM-KNN分类算法的识别效果；

b.基于阈值分割的SVM-KNN分类算法的在线识别，此过程分为两步完成：

第一步，提取的特征向量输入训练好的SVM分类算法得到此待分类向量的所属类别和此次识别结果的置信度，识别结果置信度公式为(9)式：

$\mathrm{conf}=\frac{\mathrm{\&Sigma;}|\mathrm{dec}\_{\mathrm{val}}_l|}{2*p}+\frac{p}{2*n}---\left(9\right)$

式中Σ|dec_val_l|为所有支持识别结果的决策值绝对值之和，p为支持识别结果的子分类器的个数，n为所有行走模式；

第二步，将SVM分类算法分类结果的置信度conf与设定的置信度阈值α进行比较，若conf>α，则SVM分类算法识别结果即为最后结果；若conf<α，则由经过支持向量训练的KNN分类算法进行识别，得到最后行走模式分类结果。

本发明基于肌电信号的外骨骼行走模式识别方法的单片机识别行走模式主程序(参见图4)为：系统上电后首先关闭看门狗，时钟配置，若查询到振荡器失效标志OSCFault不为0，则继续查询，若为0，进行各模块的初始化，包括I/O口初始化，基于阈值分割的SVM-KNN分类算法参数初始化等，其中基于阈值分割的SVM-KNN分类算法参数设置主要包括SVM分类算法参数的设置、置信度分割阈值α的设置和KNN分类算法的k值设置等。然后打开全局中断，单片机进入低功耗模式。

当主程序完成初始化工作后，单片机进入低功耗模式，外骨骼行走模式识别以及外骨骼在不同行走模式下的控制方法等均在相应的中断服务程序中完成。本发明涉及行走模式的识别，故只陈述行走模式识别的中断服务程序。

本发明基于肌电信号的外骨骼行走模式识别方法的单片机中断服务程序(参见图5)为：进入中断首先进行断点保护，对调理信号进行A/D转换，并使用巴特沃斯带通滤波器滤波，消除基线漂移，然后开始查询是否检测到特征提取初始时刻，如果没有，继续查询，如果检测到特征提取初始时刻，则对此时刻之后的150ms的数据进行特征提取，特征向量由基于阈值分割的SVM-KNN分类算法识别，得到识别结果，返回，恢复现场打开中断。

本发明中所述5种不同模式包括平地行走、上楼梯、下楼梯、上斜坡和下斜坡，其中每一阶楼梯高度为15cm，斜坡角度为20°。5种模式行走模式对应的标号分别为1、2、3、4、5，如进行上楼梯模式行走时，对应的识别结果为2。

实施例

本实施例中采用的肌电信号传感器型号是MyoScan，所用肌电电极是附有不干涸导电凝胶的一次性使用的三点式差动输入肌电电极，与MyoScan肌电信号传感器相配套，所用单片机型号为MSP430F2274。将肌电信号传感器一端通过电极扣与肌电电极相连，另一端通过导线与固定在外骨骼上的单片机相连。

本发明中M值确定为50ms，N值确定为4，置信度阈值α的选取受不同个体影响较大，因人而异，本实施例通过对受测人员数据进行多次实验确定置信度阈值α＝0.65。其中KNN分类算法在进行决策时主要依靠周围有限的临近样本，采用SVM分类算法的支持向量作为KNN分类算法的训练集，求得待分类向量与训练集中每个支持向量的距离，圈定距离最近的k个支持向量作为近邻，根据这k个近邻所属类别投票决定识别结果，其中k值通过实验统计得到，本实施例中取k＝4。

本实施例针对一阶楼梯高度为15cm，斜坡角度为20°的路况条件进行行走模式识别。随机选取每种行走模式下20组特征向量，共100组作为特征向量训练集对SVM分类算法进行训练，得到训练好的SVM分类算法，用训练SVM分类算法时得到的支持向量作为KNN分类算法的训练集。为了检验基于阈值分割的SVM-KNN分类算法的识别效果，用326组特征向量测试集进行离线测试，测试结果如表1所示，结果表明此分类算法的高效性，可以应用于单片机的在线识别。

表1

进行在线识别时，提取的特征向量输入经过离线训练好的SVM-KNN分类算法，根据SVM分类算法的分类结果置信度conf与0.65进行比较，若conf>0.65，则SVM分类算法识别结果即为在线识别结果；若conf<0.65，则由经过支持向量训练的KNN分类算法进行识别，得到在线识别结果。

本发明未述及之处均属于现有技术。

Claims (6)

1.一种基于肌电信号的外骨骼行走模式识别方法，其特征在于该方法包括以下步骤：

步骤(1)肌电信号采集，将肌电电极沿着所选肌群肌纤维的方向贴附在肌腹处，肌电信号传感器通过电极扣与肌电电极相连，固定于外骨骼上的单片机通过导线与肌电信号传感器相连，采集肌电信号；

步骤(2)肌电信号调理，经过步骤(1)后，将肌电电极采集的表面肌电信号输入肌电信号传感器进行信号调理，所述信号调理依次包括隔直处理，放大环节，50Hz工频滤波和低通滤波，将得到的信号输入单片机进行分析处理；

步骤(3)基于阈值分割的SVM-KNN分类算法进行外骨骼行走模式识别，经步骤(2)处理的表面肌电信号输入单片机进行A/D转换、预处理消除零点漂移、检测特征提取初始时刻、特征提取和基于阈值分割的SVM-KNN分类算法分类，最终识别外骨骼行走模式。

2.根据权利要求1所述基于肌电信号的外骨骼行走模式识别方法，其特征在于所述步骤(3)特征提取初始时刻的具体识别方法如下：

对臀中肌表面肌电信号采用移动时间窗的方法识别特征提取初始时刻，对选定肌肉群组在特征提取初始时刻确定之后的150ms进行时域特征提取；

a.确定每个移动时间窗的长度M和所取连续移动时间窗的个数N；M的取值范围为30-80ms，N的取值范围为3-6；

b.对每个移动时间窗内的信号进行积分，求得每个移动时间窗的能量，计算公式为(1)式：

$Q\left(j\right)=\underset{i=1}{\overset{i=M}{\mathrm{\&Sigma;}}}S\left(i\right),1\&le;j\&le;N---\left(1\right)$

c.将移动时间窗的能量与分割阈值λ进行比较，若Q(1)<λ，且Q(2)>λ，Q(3)>λ，…，Q(N)>λ，则第二个移动时间窗的起点为特征提取的初始时刻。

3.根据权利要求2所述基于肌电信号的外骨骼行走模式识别方法，其特征在于所述时域特征包括平均值mean、均方根rms和标准偏差std，其具体计算分别为(2)、(3)和(4)式：

$\mathrm{mean}=\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}S\left(i\right)---\left(2\right)$

$\mathrm{rms}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{S}^2\left(i\right)}---\left(3\right)$

$\mathrm{std}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{(S\left(i\right)-\stackrel{\&OverBar;}{S})}^2},$ 其中 $\stackrel{\&OverBar;}{S}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}{S}^2\left(i\right)}---\left(4\right)$

利用每组行走模式的时域特征构建特征向量x如(5)式：

x＝[mean1，rms1，std1，mean2，rms2，std2，

(5)

……，mean5，rms5，std5]

4.根据权利要求2所述基于肌电信号的外骨骼行走模式识别方法，其特征在于所述M值为50ms，N值为4。

5.根据权利要求1所述的基于肌电信号的外骨骼行走模式识别方法，其特征在于所述步骤(3)中基于阈值分割的SVM-KNN分类算法进行外骨骼行走模式识别的具体算法如下：

a.基于阈值分割SVM-KNN分类算法的离线训练

SVM分类算法通过核函数K(x_i-x)将低维空间向量x_i映射到高维空间寻找超平面进行分类，所选用的核函数为RBF高斯径向基核函数，表达式为(6)式：

K(x_i-x)＝exp(-g||x_i-x||²)   (6)

式中，g为核函数参数，x_i为支持向量，x为待分类向量，||x_i-x||²为二范数距离；

将RBF高斯径向基核函数带入决策函数(7)式

$\mathrm{dec}\_\mathrm{val}=\left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_{i}K(x_i-x)\right)+b---\left(7\right)$

得到最终决策函数(8)式

$\mathrm{dec}\_\mathrm{val}=\left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_i\exp (-g{\left|\right|x_i-x\left|\right|}^2)\right)+b;---\left(8\right)$

对于离线状态下提取的多组特征向量x，随机选取部分特征向量作为特征向量训练集对SVM分类算法进行训练，得到训练好的SVM分类算法，用训练SVM分类算法时得到的支持向量作为KNN分类算法的训练集，求得待分类向量与训练集中每个支持向量的距离，圈定距离最近的k个支持向量作为近邻，根据这k个近邻所属类别投票决定识别结果，其中k值通过实验统计得到；用其余特征向量作为特征向量测试集，检验经过离线训练的基于阈值分割SVM-KNN分类算法的识别效果；

b.阈值分割SVM-KNN分类算法的在线识别，此过程分为两步完成：

第一步，提取的特征向量输入训练好的SVM分类算法得到此待分类向量的所属类别和此次识别结果的置信度，识别结果置信度公式为(9)式：

$\mathrm{conf}=\frac{\mathrm{\&Sigma;}|\mathrm{dec}\_{\mathrm{val}}_l|}{2*p}+\frac{p}{2*n}---\left(9\right)$

式中，Σ|dec_val_l|为所有支持识别结果的决策值绝对值之和，p为支持识别结果的子分类器的个数，n为所有行走模式；

第二步，将SVM分类算法分类结果的置信度conf与设定的置信度阈值α进行比较，若conf>α，则SVM分类算法识别结果即为最后结果；若conf<α，则由经过支持向量训练的KNN分类算法进行识别，得到最后行走模式分类结果。

6.根据权利要求1所述基于肌电信号的外骨骼行走模式识别方法，其特征在于所选肌群包括臀中肌、股直肌、股内侧肌、股外侧肌和腓肠肌。