CN111759316A - 一种基于肌音信号的下肢假肢步态识别方法 - Google Patents

一种基于肌音信号的下肢假肢步态识别方法 Download PDF

Info

Publication number
CN111759316A
CN111759316A CN202010655533.9A CN202010655533A CN111759316A CN 111759316 A CN111759316 A CN 111759316A CN 202010655533 A CN202010655533 A CN 202010655533A CN 111759316 A CN111759316 A CN 111759316A
Authority
CN
China
Prior art keywords
muscle
vector machine
kernel function
gait recognition
bat
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.)
Pending
Application number
CN202010655533.9A
Other languages
English (en)
Inventor
刘磊
杨存祥
王干一
宋寅卯
曹祥红
李丹丹
武东辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202010655533.9A priority Critical patent/CN111759316A/zh
Publication of CN111759316A publication Critical patent/CN111759316A/zh
Pending legal-status Critical Current

Links

Images

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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6828—Leg
    • 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
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/60—Artificial legs or feet or parts thereof

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Transplantation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种基于肌音信号的下肢假肢步态识别方法，包括以下步骤:步骤1：获取预处理后的肌音信号；步骤2：利用差分HOC提取不同步态识别的特征值样本集；步骤3：利用通过蝙蝠算法优化的相关向量机建立多分类步态识别模型；步骤4：利用多分类步态识别模型进行下肢假肢步态识别；本发明所述的一种基于肌音信号的下肢假肢步态识别方法，将表征时间序列的差分HOC方法用于提取不同步态识别的特征值样本集，结合通过蝙蝠算法优化的相关向量机建立了多分类步态识别模型，显著的提高了下肢假肢步态识别的准确率。

Description

一种基于肌音信号的下肢假肢步态识别方法
技术领域
本发明属于模式识别领域，涉及一种下肢假肢步态识别方法，尤其涉及一种基于肌音信号的下肢假肢步态识别方法。
背景技术
佩戴智能假肢是截肢患者恢复基本运动能力的唯一途径，目前较为成熟的智能假肢有德国Otto Bock公司的C-Leg、Genium系列假肢，冰岛Ossur公司的Rheo Knee假肢等；由于下肢运动的特殊性和复杂性，步态识别是智能假肢研究的核心技术之一。
根据信号源的不同，步态识别信号源主要包括两种：
1)采集下肢关节角度、惯导信息、足底压力信息等生物力学信号识别步态，例如加速度传感器、角度传感器、脚底压力传感器、位置传感器等，但是这些信息只有在佩戴者完成一定的动作之后才能采集到，在识别相应运动模式时不可避免的会产生一定的延迟；
2)表面肌电信号(sEMG)作为一种人体生物信号，包含了大量的神经信号，结合模式识别算法可以解析出相应的步态模式；人体运动时肌肉振动产生的肌音信号(MMG)和肌电信号相似，都是可以反映肌肉状态的信号源；虽然对肌音信号的研究相对肌电信号晚，但肌音信号与肌电信号相比具有其自身优势；如：肌音信号的采集利用压电传感器或者加速度传感器即可完成，对传感器要求较低，而肌电信号的采集需要表面导电涂层，成本和要求较高；另外，肌音信号原始生理信号比肌电信号原始生理信号强度大，并且受到外界和体表的电磁干扰小，更易采集。
由于肌音信号优势显著，近些年国内外一些学者对其特点及应用进行了深入研究；Alves等利用上肢两通道肌音信号对3种模式手部动作进行模式识别，准确率达到了89％±2％；目前对肌音信号的研究主要集中于上肢肌力研究和上肢手臂及手部动作的模式识别，而对步态识别的研究不多。
从上世纪90年代，支持向量机、神经网络等模式识别算法开始被应用到步态分类中；支持向量机(SVM)是由Vapnik在1995年提出的一种通过建立决策超平面，实现样本分类的方法；由于其多样性、鲁棒性和免费可行的工具箱等优点被广泛地应用到人机交互的模式识别中；Lucas等人基于多通道sEMG信号的离散小波变换，并利用SVM的方法实现了步态的分类；支持向量机(SVM)是一种识别较好的肌电假肢步态分类器，但SVM也存在一些缺陷：SVM在步态识别过程中，存在惩罚因子难以确定的缺陷；神经网络在肌电模式分类和肌电信号处理方面，进行了相当多的研究，并获得了非常有价值的结果，但是神经网络常常面临权值参数人工设置繁琐、训练速度慢的缺陷。
发明内容
本发明的目的在于提供一种基于肌音信号的下肢假肢步态识别方法，能够克服SVM在步态识别过程中惩罚因子难以确定的缺陷，还能够克服神经网络权值参数人工设置繁琐、训练速度慢的缺陷。
为了实现上述目的，本发明采用以下技术方案：
一种基于肌音信号的下肢假肢步态识别方法，包括以下步骤：
步骤1：采集大腿截肢患者的下肢肌音信号并对所述肌音信号进行预处理；具体的：
所述的大腿截肢患者为从坐骨结节下10cm至膝关节间隙上8cm范围内的大腿截肢患者，所述肌音信号为股直肌、股内侧肌、股外侧肌不同步态下的肌音信号，所述不同步态为平地行走、上楼、下楼、上坡、下坡5种不同步态；
步骤1.1：分别对大腿截肢患者的股直肌、股内侧肌、股外侧肌在平地行走、上楼、下楼、上坡、下坡5种不同步态下的肌音信号进行采集，并记为：X股直肌i、X股内侧肌i、X股外侧肌i，其中，i＝1,2,3,4,5，分别表示平地行走、上楼、下楼、上坡、下坡5种不同步态，X股直肌i、X股内侧肌i、X股外侧肌i分别表示股直肌、股内侧肌、股外侧肌的肌音信号；
步骤1.2：分别对X股直肌i、X股内侧肌i、X股外侧肌i进行预处理，以获得预处理后的X’股直肌i、X’股内侧肌i、X’股外侧肌i，所述的预处理为滤波预处理；
步骤2：利用差分HOC提取X’股直肌i、X’股内侧肌i、X’股外侧肌i的步态识别的特征值样本集，具体的：
步骤2.1：计算构建肌音信号的特征向量W时选择的最高差分阶数θ，具体的：利用10位大腿截肢患者的股直肌肌音信号，计算得到最高差分阶数θ＝13；
步骤2.2：利用θ＝13时的差分HOC提取X’股直肌i、X’股内侧肌i、X’股外侧肌i的5种步态识别特征值样本集，具体的：
Figure BDA0002578849610000041
Figure BDA0002578849610000042
Figure BDA0002578849610000043
步骤3：将步骤2获得的步态识别的特征值样本集随机分为两组，一组为训练集，一组为测试集，利用训练集计算最优的用于相关向量机的核函数，建立优化的相关向量机多分类步态识别模型，具体的，包括以下步骤：
步骤3.1：通过蝙蝠算法优化相关向量机分类参数，得到最优相关向量机分类器，具体的，包括以下步骤：
步骤3.1.1：定义蝙蝠算法,具体的：
定义蝙蝠i在t时刻的位置为
Figure BDA0002578849610000044
速度为
Figure BDA0002578849610000045
在d维的觅食空间里，蝙蝠i在t+1时刻的位置和速度的更新公式如下：
fi＝fmin+(fmax-fmin)β；
Figure BDA0002578849610000046
Figure BDA0002578849610000047
其中，fi表示蝙蝠i发出声波的频率，fi∈[fmin,fmax]，fmin、fmax分别表示蝙蝠i发出声波的频率的最小值和最大值；β∈[0,1]，x*表示t时刻全局搜索过程中蝙蝠i的最优位置；
蝙蝠i位置更新公式如下
xnew＝xold+ηAt；
式中：xold表示所选取的最优解；η是一个随机数，η∈[-1,1]，At是所有蝙蝠在时刻t时发出声波的平均响度；xnew表示对最优解施加一个随机扰动之后得到的新解；
蝙蝠i发出声波的响度Ai和发射速率ri的调节计算公式为：
Figure BDA0002578849610000051
Figure BDA0002578849610000052
式中：α表示声波响度增加系数，α∈[0,1]；γ3表示一个大于0的常量；
Figure BDA0002578849610000053
表示初始发射速率；
步骤3.1.2：定义相关向量机，具体的：
给定输入训练集
Figure BDA0002578849610000054
相关向量机的分类函数y(xi)定义为
Figure BDA0002578849610000055
其中，xi是训练集的第i个样本，xi∈R，ti∈{-1,+1}是类别标号.
Figure BDA0002578849610000056
是核函数，wi是模型的权值；
相关向量机的核函数采用高斯核函数
Figure BDA0002578849610000057
表示核函数参数；
步骤3.1.3：通过蝙蝠算法(BA)优化相关向量机(RVM)分类参数，计算最优的用于相关向量机(RVM)的核函数，具体的，包含以下步骤：
步骤3.1.3.1：选择训练集，所述的训练集即为从步骤2获得的步态识别的特征值样本集随机分为两组中的训练集，
步骤3.1.3.2：设定蝙蝠算法(BA)参数：最大迭代次数N＝100，d＝5，fmax＝3，fmin＝0，ri 0＝0.0001，α＝0.75，γ3＝0.96，η＝0.5；
步骤3.1.3.3：设置核函数参数σ的取值范围，构建初始种群；
步骤3.1.3.4：以核函数参数σ下的相关向量机(RVM)步态识别准确率作为适应度值，所述的适应度值即为种群中每个蝙蝠个体的适应度；
步骤3.1.3.5：定义并计算核函数参数σbest；
进行迭代更新操作，并且计算迭代更新后的相关向量机(RVM)在更新后的核函数参数σ下的步态识别准确率；若更新后的相关向量机(RVM)在迭代更新后的核函数参数σ下的步态识别准确率最高，则将迭代更新后的核函数参数σ记为核函数参数σbest；若迭代更新后的相关向量机(RVM)在迭代更新后的核函数参数σ下的步态识别准确率不是最高，则保留以前的核函数参数σbest；
步骤3.1.3.6：最大迭代次数设为终止条件，若不满足终止条件，则返回步骤3.1.3.5继续进行迭代更新操作；当满足终止条件，即迭代次数达到最大，记录此时的σbest作为最优核函数参数，相关向量机(RVM)采用此时的最优核函数参数σbest；
步骤3.1.3.7：依据最优核函数参数σbest，建立优化的相关向量机多分类步态识别模型；
步骤4：利用步骤3.1.3.7获得的优化的相关向量机多分类步态识别模型对测试集进行识别，获取步态识别结果。
步骤1.2中所述的滤波预处理的方法为采用2-50Hz的FIR带通滤波器对X股直肌i、X股内侧肌i、X股外侧肌i进行滤波预处理。
步骤1中所述的采集大腿截肢患者的下肢肌音信号的方法为利用TD-3压电加速度传感器采集大腿截肢患者的下肢肌音信号，利用USB-6211数据采集卡存储TD-3压电加速度传感器采集的大腿截肢患者的下肢肌音信号。
本发明的有益效果：
本发明所述的一种基于肌音信号的下肢假肢步态识别方法，将表征时间序列的差分HOC方法用于提取不同步态识别的特征值样本集，结合通过蝙蝠算法优化的相关向量机建立了多分类步态识别模型，显著的提高了下肢假肢步态识别的准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示：本发明所述的一种基于肌音信号的下肢假肢步态识别方法，包括以下步骤：
步骤1：采集大腿截肢患者的下肢肌音信号并对所述肌音信号进行预处理；具体的，
由于采集的是大腿截肢患者的残肢的肌音信号，所以需要考虑残肢的存留情况，本发明中选取大部分大腿截肢患者能保存的肌肉；具体的，本发明中所述的大腿截肢患者为从坐骨结节下10cm至膝关节间隙上8cm范围内的大腿截肢患者，所述肌音信号为股直肌、股内侧肌、股外侧肌不同步态下的肌音信号，所述不同步态为平地行走、上楼、下楼、上坡、下坡5种不同步态；
进一步的，选用北京颐松有限公司的TD-3压电加速度传感器采集大腿截肢患者的下肢肌音信号；数据采集卡选用美国国家仪器公司的USB-6211，USB-6211数据采集卡通过USB总线供电，具有5V直流电压输出端口，可直接对传感器模块供电，省去了传感器供电模块；
具体的，包括以下步骤：
步骤1.1：分别对大腿截肢患者的股直肌、股内侧肌、股外侧肌在平地行走、上楼、下楼、上坡、下坡5种不同步态下的肌音信号进行采集，并记为：X股直肌i、X股内侧肌i、X股外侧肌i，其中，i＝1,2,3,4,5，分别表示平地行走、上楼、下楼、上坡、下坡5种不同步态，X股直肌i、X股内侧肌i、X股外侧肌i分别表示股直肌、股内侧肌、股外侧肌的肌音信号；
步骤1.2：分别对X股直肌i、X股内侧肌i、X股外侧肌i进行预处理，以获得预处理后的X’股直肌i、X’股内侧肌i、X’股外侧肌i，所述的预处理为滤波预处理；
由于肌音信号频率主要为低于50Hz的低频部分，在400-450Hz具有高频干扰，因此，为了更好地保留有用信号，采用2-50Hz的FIR带通滤波器对X股直肌i、X股内侧肌i、X股外侧肌i进行滤波预处理，获得预处理后的X’股直肌i、X’股内侧肌i、X’股外侧肌i；
步骤2：利用差分HOC提取X’股直肌i、X’股内侧肌i、X’股外侧肌i的步态识别的特征值样本集，具体的：
为了便于本领域技术人员进一步理解本发明的技术方案，下面将对HOC和差分HOC做进一步说明：
过零计数是对一个原始时间序列振荡特性的一种检测，当这个原始时间序列被一簇滤波器滤波后，再对其进行过零计数，则称这种过零计数为相对于原始时间序列的HOC；因此，HOC即为对原始时间序列和预滤波处理序列的过零计数；本发明用{Lθ(.),θ∈Θ}表示一簇滤波器；参数空间Θ为参数θ的一维或多维可数集；对时间序列滤波的过程由Zl(θ)＝Lθ(Zl)来表示；{Dθ,θ∈Θ}表示相应的θ阶HOC值；HOC值Dθ定义为
Figure BDA0002578849610000091
其中，N为原始时间序列的长度，Xi(θ)定义为
Figure BDA0002578849610000092
最后得到肌音信号的特征向量W为
W＝[D1,D2,...,Dθ],1＜θ＜K；
式中：K表示所估计的HOC序列的最高阶数；θ表示构建特征向量W时选择的最高差分阶数；
定义延迟算子B：
BZl＝Zl-1，则差分滤波器可由下式构造
Yl (θ)＝Zl(θ)＝(1-B)θZl＝b0 (θ)Zl+b1 (θ)Zl-1+bθ-1 (θ)Zl-θ+1；
其中，θ＝0,1,...,K，Yl (θ)表示滤波后的时间序列，K表示所估计的HOC序列的最高阶数，θ表示构建肌音信号的特征向量W时选择的最高差分阶数，Zl表示原始时间序列X股直肌i、X股内侧肌i、X股外侧肌i；系数bm (θ)由下式计算
Figure BDA0002578849610000101
式中：
Figure BDA0002578849610000102
表示从θ个元素中选取m个元素的组合，其中m＝0,1,...,θ-1；
步骤2.1：计算构建肌音信号的特征向量W时选择的最高差分阶数θ，具体的：
使用差分HOC对肌音信号的特征向量W进行提取时，特征向量W的最高差分阶数θ需要结合送入相关向量机(RVM)后的结果得到；
本发明利用10位大腿截肢患者的股直肌肌音信号，计算得到在最高差分阶数θ＝13时，步态识别准确率最高，因此，选择最高差分阶数θ＝13，具体的：
当θ＜6时，步态识别准确率在65％以下；当θ继续增大时，识别准确率有所提高；10组数据中,8组数据在θ＝13时识别准确率最高；有1位受试者在θ＝14时识别准确率最高；有1位受试者在θ＝15时识别准确率最高；随着θ从θ＝13向上递增，步态识别准确率整体有下降的趋势，因此本发明取θ＝13；
步骤2.2：利用θ＝13时的差分HOC提取X’股直肌i、X’股内侧肌i、X’股外侧肌i的5种步态识别特征值样本集，具体的：
Figure BDA0002578849610000111
Figure BDA0002578849610000112
Figure BDA0002578849610000113
步骤3：将步骤2获得的步态识别的特征值样本集随机分为两组，一组为训练集，一组为测试集，利用训练集计算最优的用于相关向量机(RVM)的核函数，具体的，包括以下步骤：
步骤3.1：通过蝙蝠算法(BA)优化相关向量机(RVM)分类参数，得到最优相关向量机(RVM)分类器，具体的，包括以下步骤：
步骤3.1.1：定义蝙蝠算法(BA),具体的：
蝙蝠算法(BA)是一种新型进化算法，在蝙蝠算法中，每一个蝙蝠表示一个可行解，蝙蝠的猎物表示优化问题的最优解，在本发明中，蝙蝠的猎物表示求解核函数的最优值；定义蝙蝠i在t时刻的位置为xi t、速度为vi t；在d维的觅食空间里，蝙蝠i在t+1时刻的位置和速度的更新公式如下：
fi＝fmin+(fmax-fmin)β；
Figure BDA0002578849610000114
Figure BDA0002578849610000115
其中，fi表示蝙蝠i发出声波的频率，fi∈[fmin,fmax]，fmin、fmax分别表示蝙蝠i发出声波的频率的最小值和最大值；β∈[0,1]，x*表示t时刻全局搜索过程中蝙蝠i的最优位置；
蝙蝠i位置更新公式如下
xnew＝xold+ηAt；
式中：xold表示所选取的最优解；η是一个随机数，η∈[-1,1]，At是所有蝙蝠在时刻t时发出声波的平均响度；xnew表示对最优解施加一个随机扰动之后得到的新解；
觅食过程中，为了平衡全局搜索和局部搜索过程，蝙蝠发射的声波响度和射速率需要自动调节；蝙蝠i发出声波的响度Ai和发射速率ri的调节计算公式为：
Figure BDA0002578849610000121
Figure BDA0002578849610000122
式中：α表示声波响度增加系数，α∈[0,1]；γ3表示一个大于0的常量；ri 0表示初始发射速率；
步骤3.1.2：定义相关向量机(RVM)，具体的：
给定输入训练集
Figure BDA0002578849610000123
相关向量机(RVM)的分类函数y(xi)定义为
Figure BDA0002578849610000124
其中，xi是训练集的第i个样本，xi∈R，ti∈{-1,+1}是类别标号.
Figure BDA0002578849610000125
是核函数，wi是模型的权值.相关向量机(RVM)的训练是在贝叶斯框架下进行的，运用核映射实现高维特征空间中的非线性变换.对于二分类问题，可以将分类函数y(xi)利用核函数映射到(0,1)区间进行分类；
本发明采用高斯核函数
Figure BDA0002578849610000131
σ表示核函数参数，核函数参数σ是影响模型训练时间以及识别准确率的重要因素；
步骤3.1.3：通过蝙蝠算法(BA)优化相关向量机(RVM)分类参数，计算最优的用于相关向量机(RVM)的核函数，具体的，包含以下步骤：
步骤3.1.3.1：选择训练集，所述的训练集即为从步骤2获得的步态识别的特征值样本集随机分为两组中的训练集，
步骤3.1.3.2：设定蝙蝠算法(BA)参数：最大迭代次数N＝100，d＝5，fmax＝3，fmin＝0，ri 0＝0.0001，α＝0.75，γ3＝0.96，η＝0.5；
步骤3.1.3.3：设置核函数参数σ的取值范围，构建初始种群；
步骤3.1.3.4：以核函数参数σ下的相关向量机(RVM)步态识别准确率作为适应度值，所述的适应度值即为种群中每个蝙蝠个体的适应度；
步骤3.1.3.5：定义并计算核函数参数σbest；
进行迭代更新操作，并且计算迭代更新后的相关向量机(RVM)在更新后的核函数参数σ下的步态识别准确率；若更新后的相关向量机(RVM)在迭代更新后的核函数参数σ下的步态识别准确率最高，则将迭代更新后的核函数参数σ记为核函数参数σbest；若迭代更新后的相关向量机(RVM)在迭代更新后的核函数参数σ下的步态识别准确率不是最高，则保留以前的核函数参数σbest；
步骤3.1.3.6：最大迭代次数设为终止条件，若不满足终止条件，则返回步骤3.1.3.5继续进行迭代更新操作；当满足终止条件，即迭代次数达到最大，记录此时的σbest作为最优核函数参数，相关向量机(RVM)采用此时的最优核函数参数σbest；
步骤3.1.3.7：依据最优核函数参数σbest，建立优化的相关向量机多分类步态识别模型；
步骤4：利用步骤3.1.3.7获得的优化的相关向量机多分类步态识别模型对测试集进行识别，获取步态识别结果。
为了便于本领域技术人员理解本发明的技术方案，下面将以具体实施例对本发明的技术方案作进一步描述：
步骤1：采集大腿截肢患者的肌音信号并对所述肌音信号进行预处理；
步骤1.1：采样对象为10名穿戴智能假肢的大腿截肢患者，年龄(28±5)岁，体重(68.0±5.0)kg，身高(169.0±5.0)cm；采样对象在实验前被告知实验目的，采样对象在实验前24h没有进行过任何形式的剧烈运动；为避免行走速度影响实验结果，采样对象在平地行走、上楼、下楼、上坡、下坡时以正常速度行走；利用TD-3压电加速度传感器采集肌音信号X股直肌i、X股内侧肌i、X股外侧肌i；由于肌音信号的有用信息大多集中在0Hz-100Hz，因此在进行肌音信号采集时，采样率为500Hz；其中，每个采样对象每种步态采集60组数据，则每个采样对象5种步态采集300组数据；
步骤1.2：由于肌音信号频率主要为低于50Hz的低频部分，在400-450Hz具有高频干扰，因此，为了更好地保留有用信号，利用2-50Hz的FIR带通滤波器对X股直肌i、X股内侧肌i、X股外侧肌i进行滤波处理，以获得预处理后的X’股直肌i、X’股内侧肌i、X’股外侧肌i；
步骤2：利用θ＝13时的差分HOC提取X’股直肌i、X’股内侧肌i、X’股外侧肌i的5种步态识别特征值样本集，具体的：
Figure BDA0002578849610000151
Figure BDA0002578849610000152
Figure BDA0002578849610000153
步骤3：随机选择步骤2获得的每种步态识别特征值样本集中的2/3作为训练集，剩余1/3作为测试集；并利用训练集训练得到通过蝙蝠算法(BA)优化相关向量机(RVM)后的相关向量机(RVM)的核函数最优核函数参数σbest；依据最优核函数参数σbest，建立优化的相关向量机多分类步态识别模型；
步骤4：利用步骤3.1.3.7获得的优化的相关向量机多分类步态识别模型对测试集进行识别，获取步态识别结果。
步骤4：将步骤3中的测试集输入步骤3获得的以σbest作为最优核函数参数的相关向量机(RVM)，获得测试集的步态识别结果。
在优化前和优化后的相关向量机(RVM)中的步态识别结果如表1所示：
Figure BDA0002578849610000161
表1优化前和优化后的相关向量机(RVM)中的步态识别结果对比表
由表1可以看出：通过蝙蝠算法(BA)优化后的相关向量机(RVM)对步态识别的识别率明显优于没有优化的相关向量机(RVM)。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种基于肌音信号的下肢假肢步态识别方法，其特征在于，包括以下步骤：
步骤1：采集大腿截肢患者的下肢肌音信号并对所述肌音信号进行预处理；具体的：
所述的大腿截肢患者为从坐骨结节下10cm至膝关节间隙上8cm范围内的大腿截肢患者，所述肌音信号为股直肌、股内侧肌、股外侧肌不同步态下的肌音信号，所述不同步态为平地行走、上楼、下楼、上坡、下坡5种不同步态；
步骤1.1：分别对大腿截肢患者的股直肌、股内侧肌、股外侧肌在平地行走、上楼、下楼、上坡、下坡5种不同步态下的肌音信号进行采集，并记为：X股直肌i、X股内侧肌i、X股外侧肌i，其中，i＝1,2,3,4,5，分别表示平地行走、上楼、下楼、上坡、下坡5种不同步态，X股直肌i、X股内侧肌i、X股外侧肌i分别表示股直肌、股内侧肌、股外侧肌的肌音信号；
步骤1.2：分别对X股直肌i、X股内侧肌i、X股外侧肌i进行预处理，以获得预处理后的X’股直肌i、X’股内侧肌i、X’股外侧肌i，所述的预处理为滤波预处理；
步骤2：利用差分HOC提取X’股直肌i、X’股内侧肌i、X’股外侧肌i的步态识别的特征值样本集，具体的：
步骤2.1：计算构建肌音信号的特征向量W时选择的最高差分阶数θ，具体的：利用10位大腿截肢患者的股直肌肌音信号，计算得到最高差分阶数θ＝13；
步骤2.2：利用θ＝13时的差分HOC提取X’股直肌i、X’股内侧肌i、X’股外侧肌i的5种步态识别特征值样本集，具体的：
Figure FDA0002578849600000011
Figure FDA0002578849600000012
Figure FDA0002578849600000013
步骤3：将步骤2获得的步态识别的特征值样本集随机分为两组，一组为训练集，一组为测试集，利用训练集计算最优的用于相关向量机的核函数，建立优化的相关向量机多分类步态识别模型，具体的，包括以下步骤：
步骤3.1：通过蝙蝠算法优化相关向量机分类参数，得到最优相关向量机分类器，具体的，包括以下步骤：
步骤3.1.1：定义蝙蝠算法,具体的：
定义蝙蝠i在t时刻的位置为
Figure FDA0002578849600000021
速度为
Figure FDA0002578849600000022
在d维的觅食空间里，蝙蝠i在t+1时刻的位置和速度的更新公式如下：
fi＝fmin+(fmax-fmin)β；
Figure FDA0002578849600000023
Figure FDA0002578849600000024
其中，fi表示蝙蝠i发出声波的频率，fi∈[fmin,fmax]，fmin、fmax分别表示蝙蝠i发出声波的频率的最小值和最大值；β∈[0,1]，x*表示t时刻全局搜索过程中蝙蝠i的最优位置；
蝙蝠i位置更新公式如下
xnew＝xold+ηAt；
式中：xold表示所选取的最优解；η是一个随机数，η∈[-1,1]，At是所有蝙蝠在时刻t时发出声波的平均响度；xnew表示对最优解施加一个随机扰动之后得到的新解；
蝙蝠i发出声波的响度Ai和发射速率ri的调节计算公式为：
Figure FDA0002578849600000025
ri t+1＝ri 0(1-exp(-γ3t))；
式中：α表示声波响度增加系数，α∈[0,1]；γ3表示一个大于0的常量；ri 0表示初始发射速率；
步骤3.1.2：定义相关向量机，具体的：
给定输入训练集
Figure FDA0002578849600000026
相关向量机的分类函数y(xi)定义为
Figure FDA0002578849600000031
其中，xi是训练集的第i个样本，xi∈R，ti∈{-1,+1}是类别标号.
Figure FDA0002578849600000032
是核函数，wi是模型的权值；
相关向量机的核函数采用高斯核函数
Figure FDA0002578849600000033
σ表示核函数参数；
步骤3.1.3：通过蝙蝠算法优化相关向量机分类参数，计算最优的用于相关向量机的核函数，具体的，包含以下步骤：
步骤3.1.3.1：选择训练集，所述的训练集即为从步骤2获得的步态识别的特征值样本集随机分为两组中的训练集，
步骤3.1.3.2：设定蝙蝠算法参数：最大迭代次数N＝100，d＝5，fmax＝3，fmin＝0，ri 0＝0.0001，α＝0.75，γ3＝0.96，η＝0.5；
步骤3.1.3.3：设置核函数参数σ的取值范围，构建初始种群；
步骤3.1.3.4：以核函数参数σ下的相关向量机步态识别准确率作为适应度值，所述的适应度值即为种群中每个蝙蝠个体的适应度；
步骤3.1.3.5：定义并计算核函数参数σbest；
进行迭代更新操作，并且计算迭代更新后的相关向量机在更新后的核函数参数σ下的步态识别准确率；若更新后的相关向量机在迭代更新后的核函数参数σ下的步态识别准确率最高，则将迭代更新后的核函数参数σ记为核函数参数σbest；若迭代更新后的相关向量机在迭代更新后的核函数参数σ下的步态识别准确率不是最高，则保留以前的核函数参数σbest；
步骤3.1.3.6：最大迭代次数设为终止条件，若不满足终止条件，则返回步骤3.1.3.5继续进行迭代更新操作；当满足终止条件，即迭代次数达到最大，记录此时的σbest作为最优核函数参数，相关向量机采用此时的最优核函数参数σbest；
步骤3.1.3.7：依据最优核函数参数σbest，建立优化的相关向量机多分类步态识别模型；
步骤4：利用步骤3.1.3.7获得的优化的相关向量机多分类步态识别模型对测试集进行识别，获取步态识别结果。
2.根据权利要求1所述的一种基于肌音信号的下肢假肢步态识别方法，其特征在于：步骤1.2中所述的滤波预处理的方法为采用2-50Hz的FIR带通滤波器对X股直肌i、X股内侧肌i、X股外侧肌i进行滤波预处理。
3.根据权利要求1所述的一种基于肌音信号的下肢假肢步态识别方法，其特征在于：步骤1中所述的采集大腿截肢患者的下肢肌音信号的方法为利用TD-3压电加速度传感器采集大腿截肢患者的下肢肌音信号，利用USB-6211数据采集卡存储TD-3压电加速度传感器采集的大腿截肢患者的下肢肌音信号。
CN202010655533.9A 2020-07-10 2020-07-10 一种基于肌音信号的下肢假肢步态识别方法 Pending CN111759316A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010655533.9A CN111759316A (zh) 2020-07-10 2020-07-10 一种基于肌音信号的下肢假肢步态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010655533.9A CN111759316A (zh) 2020-07-10 2020-07-10 一种基于肌音信号的下肢假肢步态识别方法

Publications (1)

Publication Number Publication Date
CN111759316A true CN111759316A (zh) 2020-10-13

Family

ID=72725779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010655533.9A Pending CN111759316A (zh) 2020-07-10 2020-07-10 一种基于肌音信号的下肢假肢步态识别方法

Country Status (1)

Country Link
CN (1) CN111759316A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8828093B1 (en) * 2008-04-15 2014-09-09 Rehabilitation Institute Of Chicago Identification and implementation of locomotion modes using surface electromyography
US20150335450A1 (en) * 2014-05-23 2015-11-26 Joseph Coggins Prosthetic limb test apparatus and method
CN106798561A (zh) * 2017-03-15 2017-06-06 安徽工业大学 一种基于肌音信号检测的八字脚检测提醒装置
CN107505133A (zh) * 2017-08-10 2017-12-22 滁州学院 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
CN108765951A (zh) * 2018-06-11 2018-11-06 广东工业大学 基于蝙蝠算法支持向量机的高速公路交通状态识别方法
US20190171187A1 (en) * 2016-05-09 2019-06-06 StrongForce IoT Portfolio 2016, LLC Methods and systems for the industrial internet of things
CN110348468A (zh) * 2019-05-10 2019-10-18 辽宁大学 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法
CN110363152A (zh) * 2019-07-16 2019-10-22 郑州轻工业学院 一种基于表面肌电信号的下肢假肢路况识别方法
CN111258426A (zh) * 2020-01-17 2020-06-09 杭州电子科技大学 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8828093B1 (en) * 2008-04-15 2014-09-09 Rehabilitation Institute Of Chicago Identification and implementation of locomotion modes using surface electromyography
US20150335450A1 (en) * 2014-05-23 2015-11-26 Joseph Coggins Prosthetic limb test apparatus and method
US20190171187A1 (en) * 2016-05-09 2019-06-06 StrongForce IoT Portfolio 2016, LLC Methods and systems for the industrial internet of things
CN106798561A (zh) * 2017-03-15 2017-06-06 安徽工业大学 一种基于肌音信号检测的八字脚检测提醒装置
CN107505133A (zh) * 2017-08-10 2017-12-22 滁州学院 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
CN108765951A (zh) * 2018-06-11 2018-11-06 广东工业大学 基于蝙蝠算法支持向量机的高速公路交通状态识别方法
CN110348468A (zh) * 2019-05-10 2019-10-18 辽宁大学 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法
CN110363152A (zh) * 2019-07-16 2019-10-22 郑州轻工业学院 一种基于表面肌电信号的下肢假肢路况识别方法
CN111258426A (zh) * 2020-01-17 2020-06-09 杭州电子科技大学 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘景森等: "基于改进蝙蝠算法和三次样条插值的机器人路径规划", 《自动化学报》, pages 1710 - 1719 *
刘磊;杨鹏;刘作军;宋寅卯;吴青娥;: "基于盲辨识模型和极限学习机的下肢假肢路况识别", 振动与冲击, no. 23 *
赵金等: "基于HOC-SVM的运动状态下脑电的特征提取与分类", 《西北工业大学学报》, pages 435 - 438 *

Similar Documents

Publication Publication Date Title
CN100594858C (zh) 一种脑电肌电联合控制的电动假手的控制方法
CN100546553C (zh) 采用肌电和脑电协同控制的假肢手及其控制方法
CN102930284B (zh) 基于经验模态分解和分形的表面肌电信号模式识别方法
CN106725428A (zh) 一种心电信号分类方法及装置
CN110363152B (zh) 一种基于表面肌电信号的下肢假肢路况识别方法
CN112043473B (zh) 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器
CN110974212A (zh) 一种融合心电和肌电特征的康复训练运动状态监测方法及系统
CN103345641A (zh) 基于小波包熵和支持向量机的手部肌电信号动作识别方法
CN110175510B (zh) 基于脑功能网络特征的多模式运动想象识别方法
CN102499797A (zh) 假肢控制方法及系统
CN108681685A (zh) 一种基于人体表面肌电信号的躯干动作意图识别方法
CN107822629A (zh) 四肢表面肌电轴的检测方法
CN113558639A (zh) 基于格兰杰因果关系和图论的运动意图脑肌网络分析方法
Pancholi et al. Intelligent upper-limb prosthetic control (iULP) with novel feature extraction method for pattern recognition using EMG
Yu et al. Attenuating the impact of limb position on surface EMG pattern recognition using a mixed-LDA classifier
CN114533089A (zh) 一种基于表面肌电信号的下肢动作识别分类方法
Radmand et al. Investigation of optimum pattern recognition methods for robust myoelectric control during dynamic limb movement
CN201227336Y (zh) 一种脑电肌电联合控制的电动假手
Rivela et al. Processing of surface EMG through pattern recognition techniques aimed at classifying shoulder joint movements
CN111759316A (zh) 一种基于肌音信号的下肢假肢步态识别方法
CN110751060B (zh) 一种基于多源信号的便携式运动模式实时识别系统
Xu et al. ART2 neural network for surface EMG decomposition
CN111736690A (zh) 基于贝叶斯网络结构辨识的运动想象脑机接口
Sun et al. A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement
CN116522106A (zh) 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201013