CN104983489A - 下肢假肢行走时的路况识别方法 - Google Patents

Abstract

本发明下肢假肢行走时的路况识别方法，涉及下肢假肢，步骤是：采用前脚掌压力传感器、后脚跟压力传感器和惯性测量单元模块采集被测试人员残肢端运动信号样本数据，实验路况包括平地、上斜坡、下斜坡、上楼梯和下楼梯五种；路况识别时间的起始点的选取；从此时开始利用惯性测量单元进行被测试人员残肢端运动信号样本数据的采集；实际应用的采集到的残肢端运动信号样本数据个数的确定；对采集计算得到的残肢端运动信号样本数据进行处理；采集到的残肢端运动信号样本数据的特征值计算；用LVQ-ADABOOST分类器训练；实现下肢假肢行走时的路况的在线识别；克服了现有下肢假肢行走时的路况的离线识别方法无法保证路况识别的实时性的缺陷。

Description

下肢假肢行走时的路况识别方法

技术领域

本发明的技术方案涉及下肢假肢，具体地说是下肢假肢行走时的路况识别方法。

背景技术

众所周知，我国是世界上人口最多的国家，在如此庞大的人口基数下，残疾人的数量也十分巨大。我国政府曾先后于1987年和2006年进行了两次全国残疾人抽样调查，结果显示，肢体残疾者由1987年的755万人猛增至2006年的2412万人，而且随着近年来人口老龄化加剧、交通事故和自然灾害频发，这一数字仍在逐年增加。就目前的医疗水平而言，还没有任何技术手段可以让失去的肢体再生，因此，对于这些肢体残疾者而言，穿戴假肢是他们恢复运动能力的重要途径。随着科技的不断发展和人民生活水平的提高，传统的被动型假肢已经无法满足残疾人的需要，因此主动型假肢已经成为康复领域的研究热点。主动型假肢可以根据残疾人自身的运动信息和外部的环境信息判断出残疾人的运动状态并做出调节，从而替代缺失的肢体以完成行走等运动。下肢假肢行走时的路况识别对于主动型假肢的研究十分重要，因为只有正确地判断出当前的路面情况才能选择正确的控制策略，从而使残肢侧与健肢侧相协调，完成行走运动。目前的下肢假肢行走时的路况识别方法均为离线识别，即先进行行走实验，然后利用实验得到的数据进行路况识别。这种方法的弊端在于无法保证路况识别的实时性，但作为假肢控制的重要性能指标之一，实时性又是必须的。

发明内容

本发明所要解决的技术问题是：提供下肢假肢行走时的路况识别方法，是一种在线识别方法，在一个步态周期的15％时间内识别出这一步态周期所处的路况，有效地克服了现有下肢假肢行走时的路况的离线识别方法无法保证路况识别的实时性的缺陷。

本发明解决该技术问题所采用的技术方案是：下肢假肢行走时的路况识别方法，步骤如下：

第一步，采集被测试人员残肢端运动信号样本数据所用器件和实验路况：

采集被测试人员残肢端运动信号样本数据所用器件包括前脚掌压力传感器、后脚跟压力传感器和惯性测量单元模块，前脚掌压力传感器安装在假肢脚部的前脚掌,后脚跟压力传感器安装在假肢脚部的后脚跟位置，惯性测量单元模块安装在残肢侧的接受腔位置,实验路况包括平地、上斜坡、下斜坡、上楼梯和下楼梯五种；

第二步，路况识别时间的起始点的选取：

选取一个步态周期中的摆动期的起始时刻作为路况识别时间的起始点，通过上述前脚掌压力传感器和后脚跟压力传感器来确定摆动期的起始时刻,当后脚跟压力传感器输出为“0”，且前脚掌压力传感器输出由“1”变为“0”时，说明此时处于摆动期的起始时刻，即为路况识别时间的起始点；

第三步，被测试人员残肢端运动信号样本数据的采集：

从第二步确定的路况识别时间的起始点开始利用惯性测量单元进行被测试人员残肢端运动信号样本数据的采集，包括残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号；

第四步，实际应用的采集到的残肢端运动信号样本数据个数的确定：

本发明提出的在线识别方法能够在一个步态周期的15％时间内识别出这一步态周期所处的路况，其中运动信号数据的采集占6％的时间，由于人类正常行走时的步态周期的统计结果为1.5s，上述6％即为0.09s，并考虑到上述压力传感器的采样频率为500Hz，故识别路况时实际应用的采集到的残肢端运动信号数据为0.09×500＝45个；

第五步，对采集计算得到的残肢端运动信号样本数据进行处理：

对采集计算得到的残肢端运动信号样本数据进行以下两方面的处理：

(1)对采集计算得到的残肢端运动信号样本数据进行滤波处理，是利用小波分析的方法进行滤波处理，首先是将波形进行频段划分，然后在不同频段内进行针对性的处理，再将波形重构；

(2)在上述第三步和第四步的基础上对得到的残肢端绕冠状轴转动的角速度信号分别进行积分和微分计算，得到残肢端绕冠状轴转动的角度信号和残肢端绕冠状轴转动的角加速度信号，对得到的残肢端在竖直方向平动的加速度信号进行积分计算，得到残肢端在竖直方向平动的速度信号，在对此残肢端在竖直方向平动的速度信号进行积分计算，得到残肢端在竖直方向平动的位移信号，扩展出了残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度、残肢端在竖直方向平动的速度信号和残肢端在竖直方向平动的位移四类信号，加上残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号，加在一起共六类运动信号，将应用这六类运动信号作为残肢端运动信号样本数据进行识别；

第六步，采集到的残肢端运动信号样本数据的特征值计算：

利用上述五个步骤得到的残肢端运动信号样本数据，包括残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度信号、残肢端在竖直方向平动的速度信号、残肢端在竖直方向平动的位移信号、残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号，计算其特征值：平均值、标准差、偏度和峭度四个特征值，各特征值的具体计算公式如下：

平均值： $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x}_i,$

标准差： $std=\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2},$

偏度： $SK=\frac{N\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{x})}^3}{(N-1)(N-2){\mathrm{std}}^3},$

峭度： $K=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\left(\frac{x_i-\stackrel{\‾}{x}}{std}\right)}^4,$

其中，x_i表示第i个样本数据，N表示样本数据总数，x表示N个样本数据的平均值，std表示N个样本数据的标准差，SK表示样本数据的偏度，K表示样本数据的峭度；

第七步，用LVQ-ADABOOST分类器训练：

将第六步计算得到的特征值用于分类器的训练，所选用的分类器是LVQ-ADABOOST分类器，这是基于ADABOOST算法构造而成的一种分类器，采用10个学习矢量量化的LVQ神经网络作为弱分类器，利用ADABOOST算法将各分类器的结果进行组合，从而得出最终的分类结果；

第八步，下肢假肢行走时的路况的在线识别：

在第六步的分类器训练完成后，即可用于在线的下肢假肢行走时的路况识别，识别过程以一个步态周期为最小单位，将上述计算得到的特征值输入到训练好的LVQ-ADABOOST分类器中，通过LVQ-ADABOOST分类器的输出即可确定这一步态周期所处的路况，当继续行走到下一步态周期时，再重复上述过程，从而实现下肢假肢行走时的路况的在线识别。

上述下肢假肢行走时的路况识别方法，所述利用小波分析的方法进行滤波处理，是采用对称性和正交性较好的Sym6小波，对波形进行7级分解后对各频段的高频信号进行阈值滤波，保留5Hz以下的低频段，再重构7层信号。

上述下肢假肢行走时的路况识别方法，其中所用压力前脚掌压力传感器、后脚跟压力传感器选用的是上海瑞若公司生产的A401型薄膜压力传感器。

上述下肢假肢行走时的路况识别方法，其中所用惯性测量单元选用的是德国BOSCH公司生产的BMI055型惯性测量单元。

本发明的有益效果是：与现有技术相比，本发明的突出的实质性特点和显著进步如下：

(1)本发明是一种在线识别方法，在一个步态周期的15％时间内识别出这一步态周期所处的路况，有效地克服了现有下肢假肢行走时的路况的离线识别方法无法保证路况识别的实时性的缺陷。

(2)本发明可以利用下肢实时运动信号准确对平地、上楼梯、下楼梯、上斜坡和下斜坡五种典型路况实现以步态周期为最小单位的在线识别，从而使下肢假肢对路况的判断与假肢穿戴者达成一致，再配合控制模块，使得残疾人能和正常人一样完成在平地、上楼梯、下楼梯、上斜坡和下斜坡各种路况下的活动。而之前的路况离线识别方法仅能在行走过程完成后，利用若干个步态周期的运动信号对这一时间段的行走路况进行识别，不具备实时性。对比而言，本发明进步显著。

(3)本发明对实验中不利于进一步分析的采集到的有毛刺的数据波形进行了滤波处理，利用对称性和正交性较好的Sym6小波对波形进行分解重构，滤波之后的信号减少了毛刺干扰，平滑性得到提升，更易于后续分析，使得路况在线识别的准确度提高。

(4)在被测试人员残肢端运动信号样本数据的采集中，如果只利用残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号这两类运动信号的识别，其准确率并不理想，为改进这一情况，本发明对采集计算得到的残肢端运动信号样本数据进行处理，将上述两个运动信号扩展出了残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度、残肢端在竖直方向平动的速度信号和残肢端在竖直方向平动的位移四类信号，加在一起共六类运动信号，将应用这六类运动信号作为残肢端运动信号样本数据进行识别，大大提高了识别效果。

(5)ADABOOST算法作为一种分类算法，其主要原理在于构建若干个弱分类器，每个弱分类器都会对样本数据作出一个分类结果，然后按一定规则将各个弱分类器的分类结果进行组合，从而构成强分类器，输出一个最终的分类结果。弱分类器的选择并没有强制性的规定，可以用BP神经网络，支持向量机SVM和RBF神经网络，本发明是在尝试了几种不同的弱分类器之后，选择了路况识别率最高的LVQ神经网络作为弱分类器。经检索，现有文献之中并没有将这个算法应用到路况识别领域的。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明方法的操作程序的流程图。

图2为本发明方法中所用器件在被测试人员下肢假肢上安装部位的示意图。

图3为本发明方法的LVQ-ADABOOST分类器原理图。

图中，1.惯性测量单元模块，2.前脚掌压力传感器，3.后脚跟压力传感器。

具体实施方式

图1所示实施例表明本发明的操作程序的流程是：开始→脚底压力信号采集→步态相位分析→是否处于摆动期起始点—否→返回脚底压力信号采集；—是→惯性测量单元采集→滤波处理→信号种类扩展→特征值计算→LVQ-ADABOOST分类器→上楼梯；→下楼梯；→平地；→上斜坡；→下斜坡→向下肢假肢控制模块传输识别结果→返回脚底压力信号采集。

对上述流程补充解释如下：首先对采集得到的脚底压力信号进行分析，判断是否此时是否处于摆动期的起始时刻，若是，进入下一个步骤，否则继续分析判断。当处于摆动期的起始时刻时，应用惯性测量单元采集残肢端的两类运动信号，并进行滤波处理，并通过计算将信号源扩展为六类，再计算每类信号的特征值。计算完成后，将结果输入到已经训练好的LVQ-ADABOOST分类器中，进而得到路况识别结果，分别为上楼梯、下楼梯、平地、上斜坡或下斜坡，并传送给下肢假肢控制模块。当进入下一个步态周期时，重复上述操作，即返回脚底压力信号采集。

图2所示实施例表明了惯性测量单元以及两个脚底压力传感器的安装位置，其中惯性测量单元1安装在残疾人残肢端的接受腔内，前脚掌压力传感,2安装在假肢足部的前脚掌位置，后脚跟压力传感,3安装在假肢足部的后脚跟位置。

图3所示实施例表明LVQ-ADABOOST算法的原理如下：数据样本→预处理→LVQNN分类器1；→LVQNN分类器2；→LVQNN分类器3；…；LVQNN分类器10→判决策略→路况识别结果。

进一步的说明是：首先对数据样本进行预处理，包括滤波处理和提取特征值，然后输入到10个已经训练好的LVQNN分类器即LVQNN分类器1～10(为弱分类器)中，然后按照设定好的判决策略综合10个LVQNN分类器的识别结果，得到最终的路况识别结果。

实施例1

第一步，采集被测试人员残肢端运动信号所用器件和实验路况：

采集被测试人员残肢端运动信号所用器件包括前脚掌压力传感器2、后脚跟压力传感器3和惯性测量单元模块1，前脚掌压力传感器2安装在假肢脚部的前脚掌,后脚跟压力传感器3安装在假肢脚部的后脚跟位置，惯性测量单元模块1安装在残肢侧的接受腔位置，实验路况为平地；

上述两个压力传感器均选用的是上海瑞若公司生产的A401型薄膜压力传感器。前脚掌压力传感器2和后脚跟压力传感器3均属于压力传感器，其本质是一种压力型的薄膜开关，能够输出开关量信号。当开关不受力保持自然状态时，传感器输出“0”，当开关受力被按下时，传感器输出“1”。本发明中选用了两个压力传感器，分别安装在假肢脚部的前脚掌和后脚跟位置，其目的在于通过两个压力传感器的输出可以确定此时假肢的运动状态，从而确定采集被测试人员残肢端运动信号样本数据的时间区间。根据人类行走的特征，可以将一个步态周期大致划分为摆动期和支撑期，而支撑期又可以划分为支撑前期、支撑中期和支撑后期。支撑前期由后脚跟着地开始到全脚掌着地为止，此时后脚跟压力传感器输出“1”而前脚掌压力传感器输出“0”；支撑中期为全脚掌着地的时间，此时后脚跟压力传感器和前脚掌压力传感器均输出“1”；支撑后期由后脚跟离地开始到整个脚部离地为止，此时后脚跟压力传感器输出“0”而前脚掌压力传感器输出“1”；摆动期为脚部离开地面，通过腿部摆动向前迈步的时间，此时后脚跟压力传感器和前脚掌压力传感器均输出“0”。

上述惯性测量单元模块1选用的是德国BOSCH公司生产的BMI055型惯性测量单元模块，惯性测量单元模块1是一种新型传感器，它将传统的加速度计和陀螺仪集成为一个传感器，从而缩小了传感器的体积，同时提高了测量精度。将惯性测量单元模块1安装在残肢侧的接受腔位置以采集被测试人员在不同路况下的残肢端运动信号样本数据，包括残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号。

第二步，路况识别时间的起始点的选取：

选取一个步态周期中的摆动期的起始时刻作为路况识别时间的起始点，通过上述前脚掌压力传感器和后脚跟压力传感器来确定摆动期的起始时刻,当后脚跟压力传感器输出为“0”，且前脚掌压力传感器输出由“1”变为“0”时，说明此时处于摆动期的起始时刻，即为路况识别时间的起始点；

第三步，被测试人员残肢端运动信号样本数据的采集：

从第二步确定的路况识别时间的起始点开始利用惯性测量单元进行被测试人员残肢端运动信号样本数据的采集，包括残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号；

第四步，实际应用的采集到的残肢端运动信号样本数据个数的确定：

本发明提出的在线识别方法能够在一个步态周期的15％时间内识别出这一步态周期所处的路况，其中运动信号数据的采集占6％的时间，由于人类正常行走时的步态周期的统计结果为1.5s，上述6％即为0.09s，并考虑到上述压力传感器的采样频率为500Hz，故识别路况时实际应用的采集到的残肢端运动信号数据为0.09×500＝45个；

第五步，对采集计算得到的残肢端运动信号样本数据进行处理：

对采集计算得到的残肢端运动信号样本数据进行以下两方面的处理：

(1)对采集得到的残肢端运动信号样本数据进行滤波处理，是利用小波分析的方法进行滤波处理，首先是将波形进行频段划分，然后在不同频段内进行针对性的处理，再将波形重构；

由于实验中得到的残肢端运动信号样本数据波形有毛刺现象，不利于进一步分析，需要对其进行滤波处理，针对残肢端运动信号的特点，本实施例采用对称性和正交性较好的Sym6小波，对波形进行7级分解后对各频段的高频信号进行阈值滤波，保留5Hz以下的低频段，再重构7层信号，重构之后的信号很好地减少了毛刺干扰，平滑性得到提升，更易于后续分析。

(2)在上述第三步和第四步的基础上对得到的残肢端绕冠状轴转动的角速度信号分别进行积分和微分计算，得到残肢端绕冠状轴转动的角度信号和残肢端绕冠状轴转动的角加速度信号，对得到的残肢端在竖直方向平动的加速度信号进行积分计算，得到残肢端在竖直方向平动的速度信号，在对此残肢端在竖直方向平动的速度信号进行积分计算，得到残肢端在竖直方向平动的位移信号，扩展出了残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度、残肢端在竖直方向平动的速度信号和残肢端在竖直方向平动的位移四类信号，加上残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号，加在一起共六类运动信号，将应用这六类运动信号作为残肢端运动信号样本数据进行识别，这样操作的目的在于将信号源由两类扩展到六类，从而显著地提高了路况识别的准确率；

第六步，采集到的残肢端运动信号样本数据的特征值计算：

利用上述五个步骤得到的残肢端运动信号样本数据，包括残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度信号、残肢端在竖直方向平动的速度信号、残肢端在竖直方向平动的位移信号、残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号，计算其特征值：平均值、标准差、偏度和峭度四个特征值，各特征值的具体计算公式如下：

平均值： $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x}_i,$

标准差： $std=\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2},$

偏度： $SK=\frac{N\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{x})}^3}{(N-1)(N-2){\mathrm{std}}^3},$

峭度： $K=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\left(\frac{x_i-\stackrel{\‾}{x}}{std}\right)}^4,$

其中，x_i表示第i个样本数据，N表示样本数据总数，x表示N个样本数据的平均值，std表示N个样本数据的标准差，SK表示样本数据的偏度，K表示样本数据的峭度；

第七步，用LVQ-ADABOOST分类器训练：

将第六步计算得到的特征值用于分类器的训练，所选用的分类器是LVQ-ADABOOST分类器，这是基于ADABOOST算法构造而成的一种分类器，采用10个学习矢量量化的LVQ神经网络作为弱分类器，利用ADABOOST算法将各分类器的结果进行组合，从而得出最终的分类结果；

第八步，下肢假肢行走时的路况的在线识别：

在第六步的分类器训练完成后，即可用于在线的下肢假肢行走时的路况识别，识别过程以一个步态周期为最小单位，将上述计算得到的特征值输入到训练好的LVQ-ADABOOST分类器中，通过LVQ-ADABOOST分类器的输出即可确定这一步态周期所处的路况，当继续行走到下一步态周期时，再重复上述过程，从而实现下肢假肢行走时的路况的在线识别。

实施例2

除第一步的实验路况为上楼梯之外，其他同实施例1。

实施例3

除第一步的实验路况为下楼梯之外，其他同实施例1。

实施例4

除第一步的实验路况为上斜坡之外，其他同实施例1。

实施例5

除第一步的实验路况为下斜坡之外，其他同实施例1。

Claims (4)

1.下肢假肢行走时的路况识别方法，其特征在于步骤如下：

第一步，采集被测试人员残肢端运动信号样本数据所用器件和实验路况：

采集被测试人员残肢端运动信号样本数据所用器件包括前脚掌压力传感器、后脚跟压力传感器和惯性测量单元模块，前脚掌压力传感器安装在假肢脚部的前脚掌,后脚跟压力传感器安装在假肢脚部的后脚跟位置，惯性测量单元模块安装在残肢侧的接受腔位置,实验路况包括平地、上斜坡、下斜坡、上楼梯和下楼梯五种；

第二步，路况识别时间的起始点的选取：

选取一个步态周期中的摆动期的起始时刻作为路况识别时间的起始点，通过上述前脚掌压力传感器和后脚跟压力传感器来确定摆动期的起始时刻,当后脚跟压力传感器输出为“0”，且前脚掌压力传感器输出由“1”变为“0”时，说明此时处于摆动期的起始时刻，即为路况识别时间的起始点；

第三步，被测试人员残肢端运动信号样本数据的采集：

从第二步确定的路况识别时间的起始点开始利用惯性测量单元进行被测试人员残肢端运动信号样本数据的采集，包括残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号；

第四步，实际应用的采集到的残肢端运动信号样本数据个数的确定：

本发明提出的在线识别方法能够在一个步态周期的15％时间内识别出这一步态周期所处的路况，其中运动信号数据的采集占6％的时间，由于人类正常行走时的步态周期的统计结果为1.5s，上述6％即为0.09s，并考虑到上述压力传感器的采样频率为500Hz，故识别路况时实际应用的采集到的残肢端运动信号数据为0.09×500＝45个；

第五步，对采集计算得到的残肢端运动信号样本数据进行处理：

对采集计算得到的残肢端运动信号样本数据进行以下两方面的处理：

(1)对采集计算得到的残肢端运动信号样本数据进行滤波处理，是利用小波分析的方法进行滤波处理，首先是将波形进行频段划分，然后在不同频段内进行针对性的处理，再将波形重构；

(2)在上述第三步和第四步的基础上对得到的残肢端绕冠状轴转动的角速度信号分别进行积分和微分计算，得到残肢端绕冠状轴转动的角度信号和残肢端绕冠状轴转动的角加速度信号，对得到的残肢端在竖直方向平动的加速度信号进行积分计算，得到残肢端在竖直方向平动的速度信号，在对此残肢端在竖直方向平动的速度信号进行积分计算，得到残肢端在竖直方向平动的位移信号，扩展出了残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度、残肢端在竖直方向平动的速度信号和残肢端在竖直方向平动的位移四类信号，加上残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号，加在一起共六类运动信号，将应用这六类运动信号作为残肢端运动信号样本数据进行识别；

第六步，采集到的残肢端运动信号样本数据的特征值计算：

利用上述五个步骤得到的残肢端运动信号样本数据，包括残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度信号、残肢端在竖直方向平动的速度信号、残肢端在竖直方向平动的位移信号、残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号，计算其特征值：平均值、标准差、偏度和峭度四个特征值，各特征值的具体计算公式如下：

平均值： $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i,$

标准差： $std=\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2},$

偏度： $SK=\frac{N\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{x})}^3}{(N-1)(N-2){\mathrm{std}}^3},$

峭度： $K=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\left(\frac{x_i-\stackrel{\‾}{x}}{std}\right)}^4,$

其中，x_i表示第i个样本数据，N表示样本数据总数，x表示N个样本数据的平均值，std表示N个样本数据的标准差，SK表示样本数据的偏度，K表示样本数据的峭度；

第七步，用LVQ-ADABOOST分类器训练：

将第六步计算得到的特征值用于分类器的训练，所选用的分类器是LVQ-ADABOOST分类器，这是基于ADABOOST算法构造而成的一种分类器，采用10个学习矢量量化的LVQ神经网络作为弱分类器，利用ADABOOST算法将各分类器的结果进行组合，从而得出最终的分类结果；

第八步，下肢假肢行走时的路况的在线识别：

在第六步的分类器训练完成后，即可用于在线的下肢假肢行走时的路况识别，识别过程以一个步态周期为最小单位，将上述计算得到的特征值输入到训练好的LVQ-ADABOOST分类器中，通过LVQ-ADABOOST分类器的输出即可确定这一步态周期所处的路况，当继续行走到下一步态周期时，再重复上述过程，从而实现下肢假肢行走时的路况的在线识别。

2.根据权利要求1所述下肢假肢行走时的路况识别方法，其特征在于：所述利用小波分析的方法进行滤波处理，是采用对称性和正交性较好的Sym6小波，对波形进行7级分解后对各频段的高频信号进行阈值滤波，保留5Hz以下的低频段，再重构7层信号。

3.根据权利要求1所述下肢假肢行走时的路况识别方法，其特征在于：其中所用压力前脚掌压力传感器、后脚跟压力传感器选用的是上海瑞若公司生产的A401型薄膜压力传感器。

4.根据权利要求1所述下肢假肢行走时的路况识别方法，其特征在于：其中所用惯性测量单元选用的是德国BOSCH公司生产的BMI055型惯性测量单元。