CN106308809B - 大腿残肢者的步态识别方法 - Google Patents
大腿残肢者的步态识别方法 Download PDFInfo
- Publication number
- CN106308809B CN106308809B CN201610676813.1A CN201610676813A CN106308809B CN 106308809 B CN106308809 B CN 106308809B CN 201610676813 A CN201610676813 A CN 201610676813A CN 106308809 B CN106308809 B CN 106308809B
- Authority
- CN
- China
- Prior art keywords
- stump
- thigh
- signal
- neural network
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 210000000689 upper leg Anatomy 0.000 title claims abstract description 61
- 230000005021 gait Effects 0.000 title claims abstract description 59
- 210000003414 extremity Anatomy 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000002266 amputation Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 230000004118 muscle contraction Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 25
- 210000003205 muscle Anatomy 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 11
- 239000002344 surface layer Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 241000489861 Maximus Species 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 206010049565 Muscle fatigue Diseases 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002688 persistence Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 210000002414 leg Anatomy 0.000 claims 4
- 210000003127 knee Anatomy 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000002567 electromyography Methods 0.000 abstract 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 210000000629 knee joint Anatomy 0.000 description 4
- 230000003183 myoelectrical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000003141 lower extremity Anatomy 0.000 description 3
- 210000001226 toe joint Anatomy 0.000 description 3
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010057178 Osteoarthropathies Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明大腿残肢者的步态识别方法，涉及非移植在人体内的假体，步骤是：采集大腿截肢受试者在不同步态下的多通道残肢表面肌电信号，并对其进行预处理；对采集到的多通道残肢表面肌电信号进行特征值提取，构建相应的特征向量；用改进后有监督Kohonen神经网络聚类算法对大腿残肢者步态进行识别。本发明是一种基于肌电信号的外骨骼行走模式识别方法，对大腿截肢患者五种典型步态：平地、上楼梯、下楼梯、上斜坡和下斜坡进行准确分类，克服了现有技术存在的行走模式识别结果滞后、缺乏有效的路况识别、人机不能协调运动的缺陷。
Description
技术领域
本发明的技术方案涉及非移植在人体内的假体，具体地说是大腿残肢者的步态识别方法。
背景技术
近年来，随着交通事故、工伤、自然灾害等意外伤害的频繁发生以及脑血管疾病、糖尿病和骨关节病等慢性疾病的不断蔓延，大腿截肢患者的数目正以惊人的速度飞速增长。获取有效的信号源并准确识别是大腿残肢者的不同步态成为主动型假肢智能控制的重要性保证。随时感应地面的状况，并随时配合调整，可以保证佩戴假肢者的安全性、稳定性以及适应性。膝关节作为人体中最大、最复杂的关节，其可以承受很大的力和力矩，在不同步态模式中起着重要的作用。因此对于大腿截肢者而言，截肢使他们失去了行走的最重要的关节，安装的假肢膝关节的性能成为决定他们恢复运动能力的关键因素。目前，被动型假肢不能主动提供有效的动力，穿戴者行走时完全依靠残肢带动假肢行走，且不能实现任意步态的行走，步速不自然，消耗能量较大，穿戴者极易感到疲劳。而主动型假肢可以为膝关节提供动力,实现了关节的主动摆动功能。
现有技术中，CN101947151A公开了一种基于动力膝下假肢的步态识别方法，在全新的视角提出了同时含有动力踝关节和动力脚趾关节的步态识别方法。基本思想是在动力膝下假肢的相应位置安装传感器，根据力矩和踝关节角度判断踝关节支撑期的被动跖屈阶段、被动背屈阶段、主动跖屈阶段、被动背屈阶段、主动跖屈阶段和摆动期，能及时地识别相应运动，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。但是，该方法存在所涉及的动力踝关节和动力脚趾关节的制作成本高，动力脚趾关节市场应用少，不利于残肢者的假肢维修的缺陷。对于膝下截肢患者来说，假肢的购买价格及维修是否便利非常重要；CN201210214871.4披露了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，不利于该技术的实际应用，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，对于大腿截肢的患者来说，及时识别上下楼梯和上下坡等行走模式，对于恢复运动能力和人机协调运动是非常关键和必要的问题。
发明内容
本发明所要解决的技术问题是：提供大腿残肢者的步态识别方法，是一种基于肌电信号的外骨骼行走模式识别方法，对大腿截肢患者五种典型步态：平地、上楼梯、下楼梯、上斜坡和下斜坡进行准确分类，克服了现有技术存在的行走模式识别结果滞后、缺乏有效的路况识别方法，人机不能协调运动的缺陷。
本发明解决该技术问题所采用的技术方案是：大腿残肢者的步态识别方法，是一种基于肌电信号的外骨骼行走模式识别方法，对大腿截肢患者五种典型步态：平地、上楼梯、下楼梯、上斜坡和下斜坡进行准确分类，具体步骤如下：
第一步，采集大腿截肢受试者在不同步态下的多通道残肢表面肌电信号，并对其进行预处理：
选取单侧大腿以下部位截肢，穿戴3年以上假肢，有安装假肢经验并对假肢有很好的控制的患者，在24小时之内未经过剧烈运动无肌肉疲劳现象，体重45～80kg，残肢腿围比例在80％～95％的截肢者作为大腿截肢受试者，选取在不同行走模式下能起作用的皮肤表层的肌肉，将TrignoTM Wireless肌电采集设备中的肌电智能传感器贴放在上述选定的皮肤表层的肌肉位置，通过微调传感器的位置和测量，确定该传感器的准确贴放位置，根据上述选定的皮肤表层的肌肉位置的实际情况以及传感器的大小为大腿截肢受试者定制可嵌入肌电采集设备的智能传感器接受腔，搭建基于LabView的表面肌电信号的采集平台，记录大腿截肢受试者在平地、上楼梯、下楼梯、上斜坡和下斜坡五种不同步态下的多通道残肢表面肌电信号，TrignoTM Wireless肌电采集设备中自带的采集与分析软件系统将该设备采集到的多通道残肢表面肌电信号输入肌电信号传感器，并对其进行预处理，实时显示数据；
第二步，对采集到的多通道残肢表面肌电信号进行特征值提取，构建相应的特征向量：
对第一步采集到的多通道残肢表面肌电信号进行特征值提取，方法是利用Teager-Kaiser Energy算法来确定肌肉收缩的初始时刻，提取第一步采集到的步态初期前200ms的多通道残肢表面肌电信号特征值，包括时域特征中的平均值、均方根和标准差，频域特征的功率谱比值，再结合AR模型参数，最后将所有特征值使用偏最小二乘法进行融合构建相应的特征向量；
第三步，用改进后有监督Kohonen神经网络聚类算法对大腿残肢者步态进行识别：
将第二步得到的特征向量用最大最小距离法确定初始权值代替随机初始权值，用改进后有监督Kohonen神经网络聚类算法进行大腿残肢者的步态识别，同时用无监督的Kohonen神经网络算法以及K临近算法也进行大腿残肢者的步态识别，并且比较用改进后有监督Kohonen神经网络聚类算法进行大腿残肢者的步态识别得出的大腿残肢者的步态识别结果和用无监督的Kohonen神经网络算法以及K临近算法也进行大腿残肢者的步态识别得出的大腿残肢者的步态识别结果，从而验证改进后有监督Kohonen神经网络对大腿残肢者的步态识别的可行性以及有效性。
上述大腿残肢者的步态识别方法，其中特定术语对应的英文缩写(全称)分别是：平均值-MEAN、均方根-RMS、标准差-STD、功率谱比值-PSC(Power spectrum ratio)、偏最小二乘法-GA-PLS(Genetic algorithm－Partial Least Square)、K临近算法-KNN。
上述大腿残肢者的步态识别方法，所述第二步中，利用Teager-Kaiser Energy(以下简称TKE)算法来确定肌肉收缩的初始时刻的具体算法如下：
对于给定的输入信号n，TKE算子Ψ被定义为：
Ψ[x(n)]＝x2(n)-x(n-1)x(n+1) (1)
其中，输入信号n可以表示为：
x(n)＝Acos[w0(n)+θ] (2)
其中，A为幅值，w0为角频率，θ为初始相位，
x(n+1)＝Acos[w0(n+1)+θ] (3)
x(n-1)＝Acos[w0(n-1)+θ] (4)
又由于，
cos2α＝1-2sin2α＝2cos2α-1 (6)
其中，α为置信度阈值，
由此可见，
x(n-1)x(n+1)＝A2cos[w0(n-1)+θ]cos[w0(n+1)+θ]
＝x2(n)-A2sin2(w0n) (7)
所以，TKE算子被简化为
ψ[x(n)]≈A2sin2[w0(n)] (8)
公式(8)表明，TKE算子的输出与输入信号(n)也即离散信号(n)的瞬时幅值A及频率w0有着非常密切的关系，首先，将TKE算子应用到多通道残肢表面肌电信号，然后，确定一个阈值，然后，确定一个阈值，对多通道残肢表面肌电信号进行肌肉收缩的初始时刻判定，
Th＝μ0+j*δ0 (9)
其中，μ0代表多通道残肢表面肌电信号中背景噪声的均值，δ0代表多通道残肢表面肌电信号中背景噪声的标准差，j代表阈值因子，Th代表阈值的大小，因此基于TKE算子的肌肉收缩的初始时刻确定的算法被描述为：
其中，为表面肌电序列的去均值信号，Ψ(n)为的TKE算子输出信号，N为数据总长度，M为校准表面肌电信号的长度，s(n)为肌肉是否开始收缩的判别序列，t0为肌肉收缩起始时刻的估计，sign为标准符号函数；
对臀大肌表面肌电信号的识别,将TKE算子应用到多通道残肢表面肌电信号从而来确定肌肉收缩的初始时刻，步骤如下：
A.将需要确定肌肉收缩初始时刻的一段多通道残肢表面肌电信号进行去均值处理；
B.对去均值之后的进行TKE算子操作，得到相应的TKE算子输出；
C.选取肌肉收缩之前背景噪声的数据长度M即表面肌电信号长度M，并计算{ψ(n)}|n＝1,2,...，M，然后计算多通道残肢表面肌电信号中背景噪声的均值μ0和多通道残肢表面肌电信号中背景噪声的标准差δ0，阈值因子j的取值决定阈值Th的大小，需要预先经试探法确保背景噪声最小，设定出j值然后由式9来计算阈值大小Th；
D.将{ψ(n)}|n＝1,2,...，M与阈值Th的大小进行比较，根据标准符号函数得到s(n)的值，并结合肌肉收缩的收缩率以及持续长度对肌肉收缩起始时刻进行判断，若s(n)＝0，且有一定的持续性，则表示肌肉未收缩；若s(n)＝1，且持续一段时间，则表示肌肉开始收缩，得到的s(n)＝1所对应采样点中将不具有持续性的s(n)＝1的点处理为s(n)＝0，将不具有持续性的s(n)＝0的点处理为s(n)＝1，最后对s(n)求导来确定时间和肌肉收缩起始点，并计算对应的t0从而判断肌肉收缩的初始时刻。
上述大腿残肢者的步态识别方法，所述第二步中，提取第一，步采集到的步态初期前200ms的多通道残肢表面肌电信号特征值，包括时域特征中的平均值、均方根和标准差，频域特征的功率谱比值，上述各特征值具体计算方法如下：
平均值：
均方值：
标准差：
功率谱比值：
其中，Q表示表面肌电信号功率谱比值；P(f)表示的是功率谱密度函数；f0表示的是最大功率谱处的频率，其中f0可以通过方程dP(f)/df＝0来求解，若产生多个解则取P(f)为最大值时的f0；α表示的积分范围，经过不断尝试，当α＝15HZ时，特征值有较高的区分度；
上述大腿残肢者的步态识别方法，所述第三步中，将第二步得到的特征向量用最大最小距离法确定初始权值的具体方法如下：
A.有N个对象，Sn＝{z1z2…zn}；
B.在输入层神经元任取一个对象Z1，作为第一个类的中心，从集合Sn中找到距离Z2最大的对象作为Z2；
C.对Sn中剩余对象Z1，分别计算Z1到Zi的距离Dij，令最小的为Dj；
D.max Sn{DZi},若max Sn{Dzi}>m,则取Zi为新的聚类中心，一般
E.重复处理直到找不到符合条件新的聚类中心。
上述大腿残肢者的步态识别方法，所述第三步中，改进后有监督Kohonen神经网络聚类算法的流程如下：开始；下一步随机选取训练特征向量和测试特征向量；下一步初始化改进后有监督Kohonen神经网络；下一步用训练特征向量训练改进后有监督Kohonen神经网络；下一步判断是否训练结束？答案否，则返回用训练特征向量训练改进后有监督Kohonen神经网络；答案是，则用训练好的改进后有监督Kohonen神经网络对测试样本进行分类；下一步输出识别结果；下一步结束。
上述大腿残肢者的步态识别方法，其中所涉及的设备及其使用方法是本领域技术人员所能够掌握的；所述偏最小二乘法和K临近算法是本技术领域公知的。
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)本发明方法以肌电信号作为信号源，更直接地反映了人体的运动意图。
(2)本发明方法对臀大肌表面肌电信号的识别，根据臀大肌的肌电信号确定特征提取初始时刻，对于日常生活中常见的平地、上楼梯、下楼梯、上斜坡和下斜坡五种不同步态行走模式进行识别，减少了不同种类传感器的使用。
(3)本发明方法提取时域特征中的平均值、均方根和标准差，频域特征的功率谱比值，计算简单，构建特征向量，最后采用基于TKE算法进行识别，提高了对平地、上楼梯、下楼梯、上斜坡和下斜坡五种不同步态的分类精度。
(4)本发明方法可靠实用，识别用时短精度高，为患者的步态行走的实时性和安全性提供了保证。
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为本发明方法的流程示意图。
图2为本发明方法的改进后有监督Kohonen神经网络聚类算法的流程示意图。
图3为三种算法对时域特征值、频域特征值、AR模型参数和特征融合的平均识别率对比图。
具体实施方式
图1所示实施例表明，本发明方法的流程是：开始；下一步采集大腿截肢受试者在不同步态下的多通道残肢表面肌电信号，并对其进行预处理；下一步对采集到的多通道残肢表面肌电信号进行特征值提取，构建相应的特征向量；下一步用改进后有监督Kohonen神经网络聚类算法对大腿残肢者步态进行识别。
图2所示实施例表明，本发明方法用改进后有监督Kohonen神经网络的算法流程是：开始；下一步随机选取训练特征向量和测试特征向量；下一步初始化有监督Kohonen；下一步用训练特征向量训练有监督Kohonen；下一步判断是否训练结束？答案否，则返回用训练特征向量训练有监督Kohonen；答案是，则用训练好的有监督Kohonen对测试样本进行分类；下一步输出识别结果；下一步结束。图中的有监督Kohonen为改进后有监督Kohonen神经网络的缩写。
图3所示实施例显示了有监督Kohonen算法即改进后有监督Kohonen神经网络的算法、Kohonen算法即无监督Kohonen神经网络算法和KNN算法即K临近算法三种算法对时域特征值、频域特征值、AR模型参数和特征融合的平均识别率对比，由三种不同的算法对穿戴假肢的大腿截肢受试者的步态识别率对比可知，有监督Kohonen算法对步态的识别效果最好。对于时域、频域、AR模型参数和特征融合任意一种特征向量，有监督Kohonen算法识别均高于其他两种算法，从而验证了将有监督Kohonen算法应用到步态识别上的可行性。同时可以看出，将无监督Kohonen神经网络改进为有监督Kohonen神经网络其识别效果有明显提高。图3图面右方中的S_Kohonen为有监督Kohonen算法即改进后有监督Kohonen神经网络的算法，Kohonen为Kohonen算法即无监督Kohonen神经网络算法，KNN为KNN算法即K临近算法。
实施例
本实施例的大腿残肢者的步态识别方法，针对楼梯共10个台阶，一阶楼梯高度为15cm，斜坡角度为10°的路况条件进行行走模式识别，平地实验在宽阔的室外走廊里进行。
具体步骤如下：
第一步，采集大腿截肢受试者在不同步态下的多通道残肢表面肌电信号，并对其进行预处理：
选取单侧大腿以下部位截肢，穿戴3年以上假肢，有安装假肢经验并对假肢有很好的控制的，在24小时之内未经过剧烈运动无肌肉疲劳现象，体重45～80kg，残肢腿围比例在80％～95％之间的15位患者男性12名和女性3名截肢者作为大腿截肢受试者，分别选取这些大腿截肢受试者在不同行走模式下能起作用的皮肤表层的肌肉，肌电电极分布与连接时，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。将Delsys公司的TrignoTM Wireless肌电采集设备中的肌电智能传感器贴放在上述选定的皮肤表层的肌肉位置，肌电信号采集设备中智能传感器的采样频率选择设置为2000HZ到4000HZ，通过微调传感器的位置和测量，确定该传感器的准确贴放位置，根据上述选定的皮肤表层的肌肉位置的实际情况以及传感器的大小为大腿截肢受试者定制可嵌入肌电采集设备的智能传感器接受腔，搭建基于LabView的表面肌电信号的采集平台，记录大腿截肢受试者在平地、上楼梯、下楼梯、上斜坡和下斜坡五种不同步态下的多通道残肢表面肌电信号，TrignoTM Wireless肌电采集设备中自带的采集与分析软件系统将该设备采集到的多通道残肢表面肌电信号输入肌电信号传感器，并对其进行预处理，实时显示数据；
第二步，对采集到的多通道残肢表面肌电信号进行特征值提取，构建相应的特征向量：
对第一步采集到的多通道残肢表面肌电信号进行特征值提取，方法是，利用Teager-Kaiser Energy算法来确定肌肉收缩的初始时刻，提取第一步采集到的步态初期前200ms的多通道残肢表面肌电信号特征值，包括时域特征中的平均值、均方根和标准差，频域特征的功率谱比值，再结合AR模型参数，最后将所有特征值使用偏最小二乘法进行融合构建相应的特征向量；
其中，利用Teager-Kaiser Energy(简称TKE)算法来确定肌肉收缩的初始时刻的具体算法如下：
对于给定的输入信号n，TKE算子Ψ被定义为：
Ψ[x(n)]＝x2(n)-x(n-1)x(n+1) (1)
其中，输入信号n可以表示为：
x(n)＝Acos[w0(n)+θ] (2)
其中，A为幅值，w0为角频率，θ为初始相位，
x(n+1)＝Acos[w0(n+1)+θ] (3)
x(n-1)＝Acos[w0(n-1)+θ] (4)
又由于，
cos2α＝1-2sin2α＝2cos2α-1 (6)
其中，α为置信度阈值，置信度阈值α的选取受不同个体影响较大，因人而异，本实施例通过对大腿截肢受试者的数据进行多次实验确定置信度阈值α＝0.65，
由此可见，
x(n-1)x(n+1)＝A2cos[w0(n-1)+θ]cos[w0(n+1)+θ]
＝x2(n)-A2sin2(w0n) (7)
所以，TKE算子被简化为
ψ[x(n)]≈A2sin2[w0(n)] (8)
公式(8)表明，TKE算子的输出与输入信号(n)也即离散信号(n)的瞬时幅值A及频率w0有着非常密切的关系，众所周知，当肌肉开始收缩时，通常伴随着信号幅值和频率的瞬时增加，因此，利用TKE算子对多通道残肢表面肌电信号进行预处理可以用来确定肌肉收缩的初始时刻，在此理论基础之上，通过检测多通道残肢表面肌电信号幅值和频率的瞬时变化，利用TKE算子对肌肉收缩的初始时刻进行确定，首先，将TKE算子应用到多通道残肢表面肌电信号，然后，确定一个阈值，对多通道残肢表面肌电信号进行肌肉收缩的初始时刻判定，
Th＝μ0+j*δ0 (9)
其中，μ0代表多通道残肢表面肌电信号中背景噪声的均值，δ0代表多通道残肢表面肌电信号中背景噪声的标准差，j代表阈值因子，Th代表阈值的大小，因此基于TKE算子的肌肉收缩的初始时刻确定的算法被描述为：
其中，为表面肌电序列的去均值信号，Ψ(n)为的TKE算子输出信号，N为肌电信号数据总长度，本实施中N值确定为3000，M为校准表面肌电信号的长度，也是肌肉收缩之前信号背景噪音的长度，本实施例中M值确定为700，s(n)为肌肉是否开始收缩的判别序列，t0为肌肉收缩起始时刻的估计，sign为标准符号函数；
对臀大肌表面肌电信号的识别,将TKE算子应用到多通道残肢表面肌电信号从而来确定肌肉收缩的初始时刻，步骤如下：
A.将需要确定肌肉收缩初始时刻的一段多通道残肢表面肌电信号进行去均值处理；
B.对去均值之后的进行TKE算子操作，得到相应的TKE算子输出；
C.选取肌肉收缩之前背景噪声的数据长度M即表面肌电信号长度M，并计算{ψ(n)}|n＝1,2,...，M，然后计算多通道残肢表面肌电信号中背景噪声的均值μ0和多通道残肢表面肌电信号中背景噪声的标准差δ0，阈值因子j的取值决定阈值Th的大小，需要预先经试探法确保背景噪声最小，设定出j值然后由式9来计算阈值大小Th；
D.将{ψ(n)}|n＝1,2,...，M与阈值Th的大小进行比较，根据标准符号函数得到s(n)的值，并结合肌肉收缩的收缩率以及持续长度对肌肉收缩起始时刻进行判断，若s(n)＝0，且有一定的持续性，则表示肌肉未收缩；若s(n)＝1，且持续一段时间，则表示肌肉开始收缩，得到的s(n)＝1所对应采样点中将不具有持续性的s(n)＝1的点处理为s(n)＝0，将不具有持续性的s(n)＝0的点处理为s(n)＝1，最后对s(n)求导来确定时间和肌肉收缩起始点，并计算对应的t0从而判断肌肉收缩的初始时刻。
其中，提取第一步采集到的步态初期前200ms的多通道残肢表面肌电信号特征值，包括时域特征中的平均值、均方根和标准差，频域特征的功率谱比值，上述各特征值具体计算方法如下：
平均值：
均方值：
标准差：
功率谱比值：
其中，Q表示表面肌电信号功率谱比值；P(f)表示的是功率谱密度函数；f0表示的是最大功率谱处的频率，其中f0可以通过方程dP(f)/df＝0来求解，若产生多个解则取P(f)为最大值时的f0；α表示的积分范围，经过不断尝试，当α＝15HZ时，特征值有较高的区分度。
第三步，用改进后有监督Kohonen神经网络聚类算法对大腿残肢者步态进行识别：
将第二步得到的特征向量用最大最小距离法确定初始权值代替随机初始权值，用改进后有监督Kohonen神经网络聚类算法进行大腿残肢者的步态识别，同时用无监督的Kohonen神经网络算法以及K临近算法也进行大腿残肢者的步态识别，并且比较两者得出的大腿残肢者的步态识别结果，从而验证改进后有监督Kohonen神经网络对大腿残肢者的步态识别的可行性以及有效性。
其中，将第二步得到的特征向量用最大最小距离法确定初始权值的具体方法如下：
A.有N个对象，Sn＝{z1z2…zn}；
B.在输入层神经元任取一个对象Z1，作为第一个类的中心，从集合Sn中找到距离Z2最大的对象作为Z2；
C.对Sn中剩余对象Z1，分别计算Z1到Zi的距离Dij，令最小的为Dj；
D.max Sn{DZi},若max Sn{Dzi}>m,则取Zi为新的聚类中心，一般
E.重复处理直到找不到符合条件新的聚类中心。
其中，改进后有监督Kohonen神经网络聚类算法的流程如下：开始；下一步随机选取平地、上楼梯、下楼梯、上斜坡和下斜坡五种不同步态中的各种步态模式的训练特征向量各100组和50组作为测试特征向量，50组作为训练特征向量；下一步初始化改进后有监督Kohonen神经网络；下一步用训练特征向量训练改进后有监督Kohonen神经网络；下一步判断是否训练结束，否，则返回用训练特征向量训练改进后有监督Kohonen神经网络；是，则用训练好的改进后有监督Kohonen神经网络对测试样本进行分类；下一步输出识别结果；下一步结束。
上述实施例中所涉及的设备及其使用方法是本领域技术人员所能够掌握的；所述偏最小二乘法和K临近算法是本技术领域公知的。
本实施例中，佩戴假肢的大腿截肢受试者的五种步态识别的平均准确率达到84.0％，对平地行走的识别率达到了96％。尽管大腿截肢者本身的肌肉残缺会导致信息不完整，但是每种步态在只考虑时域特征值的基础上识别率均达到84％以上。结果表明，改进后有监督Kohonen神经网络聚类算法对时域内特征向量的步态识别是有效的。
Claims (4)
1.大腿残肢者的步态识别方法，其特征在于：是一种基于肌电信号的外骨骼行走模式识别方法，对大腿截肢患者五种典型步态：平地、上楼梯、下楼梯、上斜坡和下斜坡进行准确分类，具体步骤如下：
第一步，采集大腿截肢受试者在不同步态下的多通道残肢表面肌电信号，并对其进行预处理：
选取单侧大腿以下部位截肢，穿戴3年以上假肢，有安装假肢经验并对假肢有很好的控制的，在24小时之内未经过剧烈运动无肌肉疲劳现象，体重45～80kg，残肢腿围比例在80％～95％的截肢者作为大腿截肢受试者，选取在不同行走模式下能起作用的皮肤表层的肌肉，将TrignoTM Wireless肌电采集设备中的肌电智能传感器贴放在上述选定的皮肤表层的肌肉位置，通过微调传感器的位置和测量，确定该传感器的准确贴放位置，根据上述选定的皮肤表层的肌肉位置的实际情况以及传感器的大小为大腿截肢受试者定制可嵌入肌电采集设备的智能传感器接受腔，搭建基于LabView的表面肌电信号的采集平台，记录大腿截肢受试者在平地、上楼梯、下楼梯、上斜坡和下斜坡五种不同步态下的多通道残肢表面肌电信号，TrignoTM Wireless肌电采集设备中自带的采集与分析软件系统将该设备采集到的多通道残肢表面肌电信号输入肌电信号传感器，并对其进行预处理，实时显示数据；
第二步，对采集到的多通道残肢表面肌电信号进行特征值提取，构建相应的特征向量：
对第一步采集到的多通道残肢表面肌电信号进行特征值提取，方法是，利用Teager-Kaiser Energy算法来确定肌肉收缩的初始时刻，提取第一步采集到的步态初期前200ms的多通道残肢表面肌电信号特征值，包括时域特征中的平均值、均方根和标准差，频域特征的功率谱比值，再结合AR模型参数，最后将所有特征值使用偏最小二乘法进行融合构建相应的特征向量；
第三步，用改进后有监督Kohonen神经网络聚类算法对大腿残肢者步态进行识别：
将第二步得到的特征向量用最大最小距离法确定初始权值代替随机初始权值，用改进后有监督Kohonen神经网络聚类算法进行大腿残肢者的步态识别，同时用无监督的Kohonen神经网络算法以及K临近算法也进行大腿残肢者的步态识别，并且比较用改进后有监督Kohonen神经网络聚类算法进行大腿残肢者的步态识别得出的大腿残肢者的步态识别结果和用无监督的Kohonen神经网络算法以及K临近算法也进行大腿残肢者的步态识别得出的大腿残肢者的步态识别结果，从而验证改进后有监督Kohonen神经网络对大腿残肢者的步态识别的可行性以及有效性。
2.根据权利要求1所述大腿残肢者的步态识别方法，其特征在于：所述第二步中，利用Teager-Kaiser Energy(以下简称TKE)算法来确定肌肉收缩的初始时刻的具体算法如下：
对于给定的输入信号x(n)，TKE算子Ψ被定义为：
Ψ[x(n)]＝x2(n)-x(n-1)x(n+1) (1)
其中，输入信号x(n)可以表示为：
x(n)＝Acos[w0(n)+θ] (2)
其中，A为幅值，w0为角频率，θ为初始相位，
x(n+1)＝Acos[w0(n+1)+θ] (3)
x(n-1)＝Acos[w0(n-1)+θ] (4)
又由于，
cos2α＝1-2sin2α＝2cos2α-1 (6)
其中，α为置信度阈值，
由此可见，
x(n-1)x(n+1)＝A2cos[w0(n-1)+θ]cos[w0(n+1)+θ]
＝x2(n)-A2sin2(w0n) (7)
所以，TKE算子被简化为ψ[x(n)]≈A2sin2[w0(n)] (8)
公式(8)表明，TKE算子的输出与输入信号x(n)也即离散信号x(n)的瞬时幅值A及频率w0有着非常密切的关系，首先，将TKE算子应用到多通道残肢表面肌电信号，然后，确定一个阈值，对多通道残肢表面肌电信号进行肌肉收缩的初始时刻判定，
Th＝μ0+j*δ0 (9)
其中，μ0代表多通道残肢表面肌电信号中背景噪声的均值，δ0代表多通道残肢表面肌电信号中背景噪声的标准差，j代表阈值因子，Th代表阈值的大小，因此基于TKE算子的肌肉收缩的初始时刻确定的算法被描述为：
其中，为表面肌电序列的去均值信号，Ψ(n)为的TKE算子输出信号，N为数据总长度，M为校准表面肌电信号的长度，s(n)为肌肉是否开始收缩的判别序列，t0为肌肉收缩起始时刻的估计，sign为标准符号函数；
对臀大肌表面肌电信号的识别,将TKE算子应用到多通道残肢表面肌电信号从而来确定肌肉收缩的初始时刻，步骤如下：
A.将需要确定肌肉收缩初始时刻的一段多通道残肢表面肌电信号进行去均值处理；
B.对去均值之后的进行TKE算子操作，得到相应的TKE算子输出；
C.选取肌肉收缩之前背景噪声的数据长度M即表面肌电信号长度M，并计算{ψ(n)}|n＝1,2,...，M，然后计算多通道残肢表面肌电信号中背景噪声的均值μ0和多通道残肢表面肌电信号中背景噪声的标准差δ0，阈值因子j的取值决定阈值Th的大小，需要预先经试探法确保背景噪声最小，设定出j值然后由公式(9)来计算阈值大小Th；
D.将{ψ(n)}|n＝1,2,...，M与阈值Th的大小进行比较，根据标准符号函数得到s(n)的值，并结合肌肉收缩的收缩率以及持续长度对肌肉收缩起始时刻进行判断，若s(n)＝0，且有一定的持续性，则表示肌肉未收缩；若s(n)＝1，且持续一段时间，则表示肌肉开始收缩，得到的s(n)＝1所对应采样点中将不具有持续性的s(n)＝1的点处理为s(n)＝0，将不具有持续性的s(n)＝0的点处理为s(n)＝1，最后对s(n)求导来确定时间和肌肉收缩起始点，并计算对应的t0从而判断肌肉收缩的初始时刻。
3.根据权利要求1所述大腿残肢者的步态识别方法，其特征在于：所述第二步中，提取第一步采集到的步态初期前200ms的多通道残肢表面肌电信号特征值，包括时域特征中的平均值、均方根和标准差，频域特征的功率谱比值，上述各特征值具体计算方法如下：
平均值：
均方值：
标准差：
功率谱比值：
其中，Q表示表面肌电信号功率谱比值；P(f)表示的是功率谱密度函数；f0表示的是最大功率谱处的频率，其中f0可以通过方程dP(f)/df＝0来求解，若产生多个解则取P(f)为最大值时的f0；α表示的积分范围，经过不断尝试，当α＝15HZ时，特征值有较高的区分度。
4.根据权利要求1所述大腿残肢者的步态识别方法，其特征在于：所述第三步中，改进后有监督Kohonen神经网络聚类算法的流程如下：开始；下一步随机选取训练特征向量和测试特征向量；下一步初始化改进后有监督Kohonen神经网络；下一步用训练特征向量训练改进后有监督Kohonen神经网络；下一步判断是否训练结束，答案否，则返回用训练特征向量训练改进后有监督Kohonen神经网络；答案是，则用训练好的改进后有监督Kohonen神经网络对测试样本进行分类；下一步输出识别结果；下一步结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610676813.1A CN106308809B (zh) | 2016-08-15 | 2016-08-15 | 大腿残肢者的步态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610676813.1A CN106308809B (zh) | 2016-08-15 | 2016-08-15 | 大腿残肢者的步态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106308809A CN106308809A (zh) | 2017-01-11 |
| CN106308809B true CN106308809B (zh) | 2019-04-23 |
Family
ID=57740638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610676813.1A Expired - Fee Related CN106308809B (zh) | 2016-08-15 | 2016-08-15 | 大腿残肢者的步态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106308809B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106955111A (zh) * | 2017-04-21 | 2017-07-18 | 海南大学 | 基于表面肌电信号的脑瘫儿步态识别方法 |
| CN109011505A (zh) * | 2018-06-22 | 2018-12-18 | 华南理工大学 | 一种低功耗高精度乒乓球运动的识别方法及装置 |
| CN109259739B (zh) * | 2018-11-16 | 2020-08-18 | 西安交通大学 | 一种手腕关节运动力矩的肌电估计方法 |
| CN109871817B (zh) * | 2019-02-27 | 2021-08-27 | 河北工业大学 | 基于足底压力和自适应集成学习的行走状态识别方法 |
| CN110151190A (zh) * | 2019-05-23 | 2019-08-23 | 西南科技大学 | 一种骨科术后康复监测方法及系统 |
| CN110384506A (zh) * | 2019-06-06 | 2019-10-29 | 苏州布芮恩智能科技有限公司 | 基于大脑血红蛋白信息的行走意图的识别方法 |
| CN110292506B (zh) * | 2019-06-06 | 2021-05-18 | 西南交通大学 | 辅助运动系统和下肢外骨骼控制方法 |
| CN110403609B (zh) * | 2019-09-03 | 2020-09-01 | 北京海益同展信息科技有限公司 | 运动速度分析方法、装置和可穿戴设备 |
| CN111870248A (zh) * | 2020-06-05 | 2020-11-03 | 安徽建筑大学 | 基于3d加速度信号的运动状态特征提取及识别方法 |
| CN111723717A (zh) * | 2020-06-11 | 2020-09-29 | 天津大学 | 一种无声语音识别方法及系统 |
| CN111938656A (zh) * | 2020-07-28 | 2020-11-17 | 南京审计大学 | 一种基于膝关节外骨骼的实时行走模式识别方法及系统 |
| CN112773382A (zh) * | 2021-01-20 | 2021-05-11 | 钛虎机器人科技(上海)有限公司 | 具备用户自适应能力的肌电传感方法及系统 |
| CN113128358B (zh) * | 2021-03-29 | 2024-10-18 | 深圳市妙严科技有限公司 | 足部行走生物特征签到识别方法、装置、系统及存储介质 |
| CN113425290A (zh) * | 2021-06-15 | 2021-09-24 | 燕山大学 | 一种面向人体节律运动的关节耦合时序计算方法 |
| CN113230640A (zh) * | 2021-06-17 | 2021-08-10 | 郑州大学 | 一种自行车运动员运动分析系统及其方法 |
| CN114010453A (zh) * | 2021-09-24 | 2022-02-08 | 阿凡达康复科技(东莞)有限公司 | 一种基于运动信号的反馈穿戴系统及预处理方法 |
| CN114012742B (zh) * | 2022-01-05 | 2022-03-29 | 北京动思创新科技有限公司 | 一种髋关节助力装置的控制系统 |
| CN116172584B (zh) * | 2022-12-14 | 2024-01-23 | 博灵脑机(杭州)科技有限公司 | 一种自适应的多通道肌电信号实时质量评估与检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102890930A (zh) * | 2011-07-19 | 2013-01-23 | 上海上大海润信息系统有限公司 | 基于hmm/sofmnn混合模型的语音情感识别方法 |
| CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
| CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6959109B2 (en) * | 2002-06-20 | 2005-10-25 | Identix Incorporated | System and method for pose-angle estimation |
-
2016
- 2016-08-15 CN CN201610676813.1A patent/CN106308809B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102890930A (zh) * | 2011-07-19 | 2013-01-23 | 上海上大海润信息系统有限公司 | 基于hmm/sofmnn混合模型的语音情感识别方法 |
| CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
| CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Dynamic muscle fatigue detection using self-organizing maps;Dimitrios Moshou 等;《Applied Soft Computing》;20050731;第5卷(第4期);第391-398页 |
| The Application of Machine Learning Algorithms to the Analysis of Electromyographic Patterns From Arthritic Patients;Sumitra S. Nair 等;《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》;20100430;第18卷(第2期);第174-184页 |
| 基于支持向量机的下肢肌电信号模式识别的研究;陈玲玲;《中国优秀博硕士学位论文全文数据库 (硕士) 医药卫生科技辑》;20060815(第8期);E080-9 |
| 有监督的Kohonen神经网络聚类算法在癌症诊断中的应用;马卫，马全富;《微电子学与计算机》;20141231;第31卷(第12期);第108-113页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106308809A (zh) | 2017-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106308809B (zh) | 大腿残肢者的步态识别方法 | |
| Su et al. | A CNN-based method for intent recognition using inertial measurement units and intelligent lower limb prosthesis | |
| CN111557828B (zh) | 基于健患侧耦合的主动式脑卒中下肢康复机器人控制方法 | |
| Martinez-Hernandez et al. | Simultaneous Bayesian recognition of locomotion and gait phases with wearable sensors | |
| Young et al. | A classification method for user-independent intent recognition for transfemoral amputees using powered lower limb prostheses | |
| Chen et al. | Locomotion mode classification using a wearable capacitive sensing system | |
| Peeraer et al. | Development of EMG-based mode and intent recognition algorithms for a computer-controlled above-knee prosthesis | |
| Farrell et al. | A method to determine the optimal features for control of a powered lower-limb prostheses | |
| US20120191017A1 (en) | Stumble detection systems and methods for powered artificial legs | |
| CN112107397B (zh) | 肌电信号驱动的下肢义肢连续控制系统 | |
| CN110339024A (zh) | 下肢外骨骼机器人及其实时步态切换方法及存储装置 | |
| KR101492480B1 (ko) | 보행 단계에 기반한 표면 근전도 분석 시스템 | |
| Song et al. | Adaptive neural fuzzy reasoning method for recognizing human movement gait phase | |
| Varol et al. | Real-time intent recognition for a powered knee and ankle transfemoral prosthesis | |
| Zheng et al. | Locomotion mode recognition with robotic transtibial prosthesis in inter-session and inter-day applications | |
| Jiang et al. | Exploration of gait parameters affecting the accuracy of force myography-based gait phase detection | |
| Hu et al. | A novel fusion strategy for locomotion activity recognition based on multimodal signals | |
| Wang et al. | Gait features analysis using artificial neural networks: testing the footwear effect | |
| Rathore et al. | Gait Abnormality Detection in Unilateral Trans-Tibial Amputee in Real-Time Gait Using Wearable Setup | |
| Gupta et al. | Single muscle surface EMGs locomotion identification module for prosthesis control | |
| Zheng et al. | Non-contact capacitance sensing for continuous locomotion mode recognition: Design specifications and experiments with an amputee | |
| Hu et al. | Using bilateral lower limb kinematic and myoelectric signals to predict locomotor activities: A pilot study | |
| Chen et al. | Above-knee prosthesis control based on posture recognition by support vector machine | |
| Prasertsakul et al. | Prediction gait during ascending stair by using artificial neural networks | |
| CN107596560A (zh) | 一种基于角速度信号的足下垂助行仪的控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190423 |