CN106389074A - 基于足底压力感知的摔倒过程稳定性预测装置和方法 - Google Patents

Abstract

本发明公开了一种基于足底压力感知的摔倒过程稳定性预测装置和方法。所述摔倒过程稳定性预测装置，可以采集和处理足底压力信息。该装置包括鞋垫、粘贴于鞋垫背面的贴片式压力传感器、DSP微处理器、串口通讯模块和上位机。所述摔倒过程稳定性预测方法，采用基于压力中心点的人体摔倒过程稳定性判据。所述装置和方法，在仅采集足底压力数据的情况下，构成完整的可穿戴式助力机器人摔倒过程预测系统。本发明能够通过足底压力数据准确预测出人体摔倒过程的稳定性，并识别摔倒的不同阶段。

Description

基于足底压力感知的摔倒过程稳定性预测装置和方法

技术领域

本发明涉及一种对助老机器人稳定性恢复控制应用，具体地，涉及一种基于足底压力感知的摔倒过程预测装置和方法。

背景技术

可穿戴式助行下肢机器人的稳定恢复性能，对平衡能力较弱的穿戴者的安全性至关重要。将助行机器人应用于老人这一行动能力相对较弱的群体时，需要提前预测穿戴者的摔倒趋势，避免摔倒对人机系统造成损伤。

在外骨骼下肢助行机器人系统中，稳定性控制方法大部分都是基于ZMP理论，根据穿戴者或者机器人的关节角度、角速度以及加速度信息，计算实际的ZMP位置，再基于ZMP理论实现稳定控制。但上述方法是对当前时刻的稳定性进行分析，实时性很难保证，很难满足安全性需求。并且，基于ZMP理论的稳定性控制方法，机器人的足底必须水平着地，这与人在行走过程中的特点相违背。根据实际运动数据计算ZMP位置，是基于动力学模型，需要精确的参数，对于不同体型的穿戴者来说适应性受限。在穿戴者处于摔倒趋势时，如果提前能够实现摔倒预测，根据识别结果采取相应的控制策略，能够弥补目前稳定性控制方法的不足。

目前，国内外研究者主要根据人体运动过程中的加速度及角速度相关量的阈值，对人体摔倒进行检测、定位及报警。近年来更多的研究集中于对摔倒行为的预测，防止摔倒的发生，延长摔倒的筹备时间。针对辅助下肢健全老人行走应用，现有摔倒识别方法没有结合考虑摔倒过程的动力学稳定性变化情况，而人体的摔倒行为实际上是一系列变化的过程，在这个变化的过程中，人机系统的稳定性也随之变化，为了实现该过程的稳定恢复，需要根据摔倒过程中不同稳定程度采取不同的策略。因此，在摔倒预测研究中，除了在识别算法上基于历史数据建立预测模型外，应该对摔倒过程的稳定性进行分析，采用能直接反应动力学稳定性的方法，对摔倒过程各阶段稳定性进行定量的描述，从而完成试验样本数据的标识，用于预测模型的训练及测试。

发明内容

为解决上述相关技术的不足，本发明提出了一种基于足底压力感知的摔倒过程装置和预测方法，该装置能对人体摔倒过程中的足底压力变化进行采集、转换并传输至上位机，上位机根据时间序列分析理论，零力矩点理论，在仅采集足底压力数据的情况下，实现对摔倒过程的预测。使用所述方法，能够实时地采集足底压力数据。确定合适的时间序列模型，参考零力矩点理论，可以根据压力中心点计算稳定性的值。选择合适的稳定性阈值，即可实现对人体摔倒过程阶段的预测和划分。助老机器人使用这种方法，可以对摔倒过程进行快速预测， 从而产生不同的应对措施，为下一步动作提供参考，实现对助老机器人的稳定性控制。

本发明通过如下技术方案实现。

一种基于足底压力感知的摔倒过程稳定性预测装置，所述装置足底各安装有六个压力传感器，与数据采集和传输模块相连，作为足底压力感知装置，实时采集足底压力数据。

对足底压力采集装置获取的足底压力数据进行截取，去除与摔倒过程不相关的足底压力数据，并将多组足底压力数据作为训练数据，对其进行自相关系数和偏相关系数分析，获得时间序列模型类型。如果自相关系数ρ_k呈现q阶截尾，则表示该时间序列样本{x_t，t＝1，2，…，N}是MA(q)模型；如果偏相关系数φ_kk呈现p阶截尾，则该时间序列样本{x_t，t＝1，2，…，N}是AR(p)；如果自相关系数ρ_k和偏相关系数φ_kk均呈现出拖尾性，则可以表明该时间序列样本为ARMA模型。

采用AIC准则函数和最小二乘法实现对预测模型的定阶和参数估计，获得人体摔倒过程的时间序列预测模型。具体步骤为：

1、针对时间序列样本个数确定阶次上限n_k，一般不超过样本长度的一半。

2、逐渐增加时间序列模型的阶次，采用最小二乘法对时间序列样本进行拟合，获得模型参数的估计值，进而求出样本序列{x_t，t＝1，2，…，N}不同阶次进行拟合的残差并计算出各阶时间序列模型的AIC函数值。对于ARMA(p，q)模型，可以从低阶到高阶逐个的选取p，q的值，例如(1，1)，(1，2)，(2，1)，(2，2)，…逐个进行测试。

3、找出AIC函数最小值所对应的模型阶次，作为时间序列模型的阶数，参数估计值就是对应模型参数的估计值，响应的拟合残差就是一步预测误差。

使用所述时间序列预测模型，对足底压力感知装置实时采集的足底压力数据进行处理分析，获得未来时刻足底压力预测数据。根据未来时刻足底压力预测数据，计算未来时刻足底压力中心点与支撑区域边界的距离，作为摔倒过程稳定性的值。在计算支撑区域时，根据足底压力信息，选择最外部的压力大于零的传感器位置作为支撑区域的顶点位置。

根据摔倒过程各阶段的特征，选择合适的摔倒过程稳定性阈值，对人体摔倒阶段进行比较准确的划分和识别，将人体的摔倒过程分为三个阶段：摔倒初期、摔倒中期、摔倒末期。

附图说明

图1为本发明所述足底压力感知装置压力传感器位置分布图。

图2为本发明所述装置的硬件结构。

图3为本发明所述人体摔倒过程识别预测流程图。

图4为本发明实施例所述前向摔倒过程足底压力数据真实值和预测值之间的误差曲线。

图5为本发明实施例所述稳定性预测曲线。

具体实施方式

下面结合附图详细说明本发明的优选实例具体实施方式，但本发明的实施和保护不限于此，需指出的是，以下若有未特别详细说明的符号或过程，均是本领域技术人员可参照现有技术实现的。

本发明所使用的足底压力信号采集和传输装置，由DSP微处理器TMS320F2812、AD7656模数转换芯片、DAC7744数模转换芯片、外围电路所组成的最小系统和十二个贴片式压力传感器构成。足底各安装有六个贴片式压力传感器，位置分布如图1所示。该装置具有轻便、精确、成本低、不影响人体运动状态的特点，装置硬件结构如图2。

足底压力感知装置所获得的大量足底压力数据时间序列，作为样本，用于获得合适的人体摔倒过程时间序列预测模型。流程如图3，其过程如下：

(1)首先对足底压力数据进行零均值化和平稳化处理，得到理想的时间序列样本。

(2)计算时间序列样本的自相关系数ρ_k和偏相关系数φ_kk，根据自相关和偏相关系数法对模型类型进行判别。通过多次测试和计算，发现人体摔倒过程的足底压力时间序列的自相关系数ρ_k表现为拖尾性，偏相关系数φ_kk表现为截尾性。故足底压力时间序列适合于AR时间序列模型。AR(p)时间序列模型满足：

对于AR(p)时间序列模型来说，x_t仅与X_t-1，X_t-2，...，X_{t -p}有线性关系，在X_t，X_t-1，X_t-2，...，X_{t -p}已经确定的情况下，X_t与其它时刻观测值无关，ε_t是一个均值为零的白噪声，仅对X_t有影响。

(3)采用AIC准则函数法来确定模型的阶数。AIC准则函数的一般形式为：

其中N为样本个数，为时间序列残差，p时间序列待定参数个数。

该AR(p)模型阶次不大于10，绘制1到10阶AR时间序列模型的AIC函数值。测试发现模型在8阶之后AIC函数不再减小，因此，采用AR(8)模型对稳定性时间序列进行预测。

(4)采用最小二乘法确定时间序列模型参数。对于AR(p)模型未来时刻的值y(t)可以由以下公式计算获得：

y(t)＝a₁y(t-1)+a₂y(t-2)+...+a_py(t-p)+ε(t)

其中y(t-p)为p时刻前的观测值，ε(t)为均值为零的白噪声。

定义向量：

h^T(t)＝[y(t-1)，y(t-2)，...，y(t-p)]

θ^T＝[a₁，a₂，...，a_p]

则AR(p)模型的残差可以表示为：

ε(t)＝y(t)-h^T(t)θ

最小二乘法参数估计的原理就是寻求θ的估计值使其极小化残差的平方和：

定义向量：

残差的平方和可以表示为：

J＝[Y(t)-H(t)θ]^T[Y(t)-H(t)θ]

由上式可以确定θ的估计值：

使得残差的平方和J最小，θ的估计值即为最优的AR(P)时间序列模型的参数。由阶次和参数即可确定时间序列模型。

获得合适的人体摔倒过程时间序列预测模型后，选取一组向前摔倒过程的足底压力序列样本，样本数N＝200，使用上述时间序列模型，阶次为8，预测步长为3，获得的前摔过程预测结果。图4为前向摔倒过程足底压力数据的真实值和预测值之间的误差曲线。可以看出，在足底压力变化比较剧烈的位置，预测误差比较大，整个摔倒过程足底压力曲线预测误差均值近似为零。

采用点到直线距离的计算方法，根据前向摔倒足底压力预测数据，计算出压力中心点和支撑区域多边形各个边界的距离dCop，以其中距离的最小值mindCop作为人体运动稳定性的值。压力中心点的坐标计算公式为：

其中，F_i为第i个压力传感器压力的大小，(x_i,y_i)为第i个压力传感器的相对坐标。

绘制稳定性预测曲线，并对其进行阶段划分，如图5所示。从曲线上可以看出在整个摔倒过程中，稳定性呈逐渐减小的趋势，通过某一时刻稳定性的值可以对其对应时刻的人体稳定性进行描述。在本实验中将摔倒阶段分成三个部分：摔倒初期、摔倒中期和摔倒末期，三个阶段将分别对应三种不同的稳定恢复控制方法。分析多个摔倒过程的足底压力数据变化规律，选取合适的时刻可以实现对摔倒阶段的划分，在0时刻之前认为人体处于稳定运动状态；在0时刻到t1时刻，脚后跟位置传感信号逐渐减小，但是还未消失，将这个过程定义为摔倒初期阶段；在t1时刻到t2时刻，此时足底位置压力小时，整个支撑区域集中于前脚掌，整个稳定性变化非常迅速，将此阶段定义为摔倒中期阶段；在t2时刻到t3时刻，此时整个足底压力都集中与脚尖位置，稳定支撑区域很小，稳定性的值也非常小，将此阶段定义为摔倒末期；t3时刻之后人体已经处于和地面碰撞的临界点，将此阶段定义为摔倒已发生的阶段。

以上即为本发明的一个优选实施例的具体实施过程，其他摔倒过程，如后向摔倒，左侧摔倒，右侧摔倒，其具体实施过程类似。

最后应说明的是：尽管参照前述实施例对本发明进行了详细的说明，但对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于足底压力感知的摔倒过程稳定性预测装置，其特征在于，包括鞋垫，粘贴在鞋垫背面的压力传感器，微处理器，串口通讯模块和上位机，压力传感器用于感知足底压力信号，微处理器对足底压力信号进行采集，串口通讯模块将采集到的足底压力信号传输给上位机，上位机对足底压力信号进行处理，上位机通过对当前时刻足底压力数据的分析，对未来时刻足底压力数据进行预测，实现对人体运动过程中摔倒的预测。

2.如权利要求1所述的基于足底压力感知的摔倒过程稳定性预测装置，其特征在于，所述的上位机对足底压力信号进行处理时，采用基于压力中心点(Cop)的人体摔倒过程稳定性进行判断，将摔倒阶段分成摔倒初期、摔倒中期和摔倒末期三个阶段。

3.如权利要求1所述的基于足底压力感知的摔倒过程稳定性预测装置，其特征在于，所述的上位机对足底压力信号进行处理时，能够根据时间序列分析理论，设计基于足底压力信息的人体摔倒过程识别预测算法，实现对人体运动过程中摔倒的预测。

4.如权利要求1、3所述的基于足底压力感知的摔倒过程稳定性预测装置，其特征在于，所述基于足底压力信息的人体摔倒过程识别预测算法，由时间序列自回归模型、最小二乘法参数估计和准则函数法模型定阶三部分构成：首先通过若干组人体摔倒过程完整的足底压力数据作为时间序列预测模型的训练数据，分析摔倒过程足底压力数据的自相关和偏相关系数，确定时间序列模型类型为自回归模型；其次采用AIC准则函数和最小二乘法实现对模型的定阶和参数估计，获得适合于人体摔倒过程预测的时间序列模型。

5.一种基于足底压力感知的摔倒过程预测方法，其特征在于：

通过对足底压力信号的采集和处理，采用基于压力中心点(Cop)的人体摔倒过程稳定性判据对人体摔倒过程的稳定性进行判断，通过计算人体运动过程中足底压力中心点与双足稳定支撑区域多边形边界的最短距离，以表示人体摔倒过程的稳定性，并将摔倒阶段分成摔倒初期、摔倒中期和摔倒末期三个阶段。

根据时间序列分析理论，设计基于足底压力信息的人体摔倒过程识别预测算法，由时间序列自回归模型、最小二乘法参数估计和准则函数法模型定阶三部分构成：首先通过若干组人体摔倒过程完整的足底压力数据作为时间序列预测模型的训练数据，分析摔倒过程足底压力数据的自相关和偏相关系数，确定时间序列模型类型为自回归模型；其次采用AIC准则函数和最小二乘法实现对模型的定阶和参数估计，获得适合于人体摔倒过程预测的时间序列模型，实现对人体运动过程中摔倒的预测。