CN111938656A - 一种基于膝关节外骨骼的实时行走模式识别方法及系统 - Google Patents

Abstract

本发明属于模式识别技术领域，公开了一种基于膝关节外骨骼的实时行走模式识别方法及系统，包括利用角度传感器采集外骨骼膝关节的运动角度；将肌电信号采集器上的肌电电极贴片贴附在人体膝关节处，采集肌电信号，并通过校准器进行信号校准；对校准后的肌电信号进行放大、滤波的处理，通过转换器对处理后的信号进行转换；对转换后的信号进行分析；对分析后的信号进行特征提取，并结合获取到的运动角度数据构建运动数据特征向量；通过模型构建程序构建行走识别模型；将运动数据特征向量输入构建的行走识别模型中，进行不同的行走模式的识别；通过显示器显示识别结果。本发明能够精准的进行行走模式识别。

Description

一种基于膝关节外骨骼的实时行走模式识别方法及系统

技术领域

本发明属于模式识别技术领域，尤其涉及一种基于膝关节外骨骼的实时行走模式识别方法及系统。

背景技术

目前，最接近的现有技术：行走模式识别是一项重要的技术，已经被用于广泛的应用领域，包括室内定位与导航、健康监测和移动社交网络等。当前行走模式识别的研究对象主要是正常行走、静止、上下楼梯、跑步这几种行走模式。目前对行走模式进行识别的系统进行行走信号识别的精确性差，对于静止与慢走，快走与跑步等不同的行走模式的识别不准确，导致对识别模式的误判，对行走的检测效果较差。

综上所述，现有技术存在的问题是：目前对行走模式进行识别的系统进行行走信号识别的精确性差，对于静止与慢走，快走与跑步等不同的行走模式的识别不准确，导致对识别模式的误判，对行走的检测效果较差。

发明内容

针对现有技术存在的问题，本发明提供了一种基于膝关节外骨骼的实时行走模式识别方法及系统。

本发明是这样实现的，一种基于膝关节外骨骼的实时行走模式识别方法，所述基于膝关节外骨骼的实时行走模式识别方法包括以下步骤：

步骤一，利用角度传感器采集外骨骼膝关节的运动角度；将肌电信号采集器上的肌电电极贴片贴附在人体膝关节处，采集肌电信号，并通过校准器进行信号校准；

所述利用角度传感器采集外骨骼膝关节的运动角度的方法包括：

S1，通过绷带将角度传感器绑缚在使用者的大腿和小腿上，并保证膝关节的回转运动不受影响；

S2，将角度传感器通电后，通过自动校正零点的方式，使得角度传感器归零；

S3，大腿角度传感器和小腿角度传感器分别采集使用者的膝关节的位置信息，并传输至智能控制单元；

S4，智能控制单元通过大腿角度传感器和小腿角度传感器的相对移动位置信息，提取矢量特种参数，获得膝关节的运动角度；

所述信号校准方法为：

首先，获取肌电电极输出信号的主峰参数，并读取预置施加信号的主峰参数；

其次，将所述肌电电极输出信号的主峰参数与所述预置施加信号的主峰参数进行比较，确认是否触发校准指令；若触发校准指令，则根据所述校准指令校准所述肌电电极的输出信号，以使校准后的所述肌电电极的输出信号与所述预置施加信号匹配；

步骤二，对校准后的肌电信号进行放大、滤波的处理，通过转换器对处理后的信号进行转换；对转换后的信号进行分析；

对处理后的信号进行转换时，将肌电信号样本数据的模拟信号转换为0～3.3V的输出信号，然后，采用分压电路将0～3.3V的输出信号转换为0～0.5V的标准的肌电信号；

步骤三，对分析后的信号进行特征提取，并结合获取到的运动角度数据构建运动数据特征向量；

步骤四，通过模型构建程序构建行走识别模型；

步骤五，将步骤三构建的运动数据特征向量作为输入数据，输入构建的行走识别模型中，进行不同的行走模式的识别；通过显示器显示识别结果。

进一步，步骤二中，所述信号放大处理方法包括：

(1)肌电电极产生电磁信号和参考信号，分别送至线圈支路和参考支路；

(2)在线圈支路中，发射线圈发射电磁信号，接收线圈接收感应到的信号，第一放大器将接收线圈的输出信号放大；在参考支路中，可调放大器将参考信号放大；

(3)将线圈支路与参考支路两支路进行相位比较，输出信号到主控机，主控机产生移相控制信号；

(4)在线圈支路或者参考支路中的一支路设置移相器，移相器根据移相控制信号对支路信号进行移相；

(5)减法器将线圈支路和参考支路输出信号相减；

(6)第二放大器将减法器输出信号进行放大，然后送到主控机处理，控制可调放大器。

进一步，步骤二中，所述信号滤波处理方法包括：

1)获取第i-m时刻至第i-m+n时刻的采集信号值；

2)获取第i-1时刻的原始信号值；

3)基于第i-m时刻至第i-m+n时刻的采集信号值和第i-1时刻的原始信号值，获取原始信号在第i-m时刻至第i-m+n时刻内呈上升趋势、下降趋势或保持不变状态的判断结果；

4)基于与所述上升趋势、所述下降趋势和所述持不变状态对应的变化估计方程对第i时刻的采集信号值进行修正，从而获得滤波后的第i时刻的原始信号值。

进一步，步骤三中，所述特征提取方法包括：

利用基于广义似然比检测判断肌肉收缩起始时刻算法确定肌肉收缩的初始时刻，提取肌电信号数据的特征值；所述特征值包括时域特征中的最大值、平均值、均方根和标准差，频域特征的功率谱比值；结合相应模型参数，将所有特征值以及外骨骼膝关节的运动角度使用偏最小二乘法进行融合构建相应的特征向量。

进一步，所述基于广义似然比检测判断肌肉收缩起始时刻算法确定肌肉收缩的初始时刻包括以下步骤：

针对不同信噪比的模拟肌电信号，采用离线仿真方法得到肌肉收缩起始时刻检测误差最小的判别阈值，得到信噪比-经验阈值拟合曲线，确定信噪比与阈值的对应关系；根据肌电信噪比由阈值拟合曲线得到判别阈值，采用似然比检测算法在线分析肌肉收缩的起始时刻。

进一步，所述最大值、平均值、均方根和标准差，频域特征的功率谱比值计算公式如下：

最大值，通过比较信号幅度，其中信号的最大幅值即为所述最大值；

平均值：

均方根：

标准差：

功率谱比值：

其中，n为所选某段表面肌电信号的采样点数，S(i)表示第1个数据点的信号幅值；P(f)表示功率谱密度函数；f₀表示最大功率谱处的频率；α表示积分范围。

进一步，步骤四中，所述不同行走模式的模型构建方法为：

第一，对具体的行走模式行为进行多层次的归类，建立相应的分类树，其中所述分类树的每一个节点都代表一个类别，所述分类树的父节点下的子节点代表对该父节点对应类别进一步分类后所得到的子类，所述分类树的叶节点代表具体行走模式行为；

第二，对于分类树中每一个父节点的分类问题，基于随机森林模型，根据识别精度选择对应该分类问题的测试样本的最优特征集；其中所述父节点的分类问题是如何将样本从该父节点对应类别划分至其子节点对应类别的分类问题，其中选择所述最优特征集包括基于特征集FeatureSet1的训练样本集训练随机森林模型RandomForest1，基于特征集FeatureSet1中各个特征在模型RandomForest1中的特征使用频率组成特征集FeatureSet2，通过将基于特征集FeatureSet2的训练样本集训练的随机森林模型RandomForest2的识别精度与基于特征集FeatureSet1的训练样本集训练的随机森林模型RandomForest1的识别精度进行对比选出所述最优特征集；

第三，对于分类树中每一个父节点的分类问题，基于第二步所得出的该父节点所对应的最优特征集，选择一个最优分类模型作为该父节点所对应的子分类模型。

本发明的另一目的在于提供一种基于膝关节外骨骼的实时行走模式识别系统，所述基于膝关节外骨骼的实时行走模式识别系统设置有：

角度参数采集模块，与中央控制模块连接，用于利用角度传感器采集外骨骼膝关节的运动角度；

信号采集模块，与中央控制模块连接，用于通过肌电信号采集器进行肌电信号采集；

校准模块，与中央控制模块连接，用于通过校准器进行采集信号的校准；

信号放大模块，与中央控制模块连接，用于通过信号放大器进行信号的放大；

滤波模块，与中央控制模块连接，用于通过滤波器进行信号滤波；

中央控制模块，与角度参数采集模块、信号采集模块、校准模块、信号放大模块、滤波模块、信号转换模块、信号分析模块、特征提取模块、模型构建模块、识别模块、显示模块连接，用于通过主控机控制各个模块正常运行；

信号转换模块，与中央控制模块连接，用于通过转换器对信号进行转换；

信号分析模块，与中央控制模块连接，用于通过分析程序进行信号分析；

特征提取模块，与中央控制模块连接，用于对分析后的信号进行特征提取，并结合获取到的运动角度数据构建运动数据特征向量；

模型构建模块，与中央控制模块连接，用于通过模型构建程序构建行走识别模型；

识别模块，与中央控制模块连接，用于基于运动数据特征向量利用行走识别模型进行行走模式识别；

显示模块，与中央控制模块连接，用于通过显示器进行行走模式的显示。

综上所述，本发明的优点及积极效果为：本发明利用肌电信号作为信号源，以膝关节运动角度作为辅助数据，更加直接准确的反映了人体的运动意图。本发明计算简单，通过提取特征向量进行行走模式识别，提高了识别的精准度。

本发明使用肌电信号采集器肌电信号的采集，并对信号采集进行校准，信号采集的准确性高；在信号分析前进行信号的放大、滤波、转换，能够实现信号准确性的提升，对行走模式的识别更准确；通过构建不同行走模式的模型，提高识别的方便性，行走模式识别的准确性更好。

附图说明

图1是本发明实施例提供的基于膝关节外骨骼的实时行走模式识别方法流程图。

图2是本发明实施例提供的基于膝关节外骨骼的实时行走模式识别系统的结构示意图；

图中：1、角度参数采集模块；2、信号采集模块；3、校准模块；4、信号放大模块；5、滤波模块；6、中央控制模块；7、信号转换模块；8、信号分析模块；9、特征提取模块；10、模型构建模块；11、识别模块；12、显示模块。

图3是本发明实施例提供的信号校准方法流程图。

图4是本发明实施例提供的信号放大处理方法流程图。

图5是本发明实施例提供的信号滤波处理方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种基于膝关节外骨骼的实时行走模式识别方法及系统，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的基于膝关节外骨骼的实时行走模式识别方法包括以下步骤：

S101，利用角度传感器采集外骨骼膝关节的运动角度；将肌电信号采集器上的肌电电极贴片贴附在人体膝关节处，采集肌电信号，并通过校准器进行信号校准。

S102，对校准后的肌电信号进行放大、滤波的处理，通过转换器对处理后的信号进行转换；对转换后的信号进行分析。

S103，对分析后的信号进行特征提取，并结合获取到的运动角度数据构建运动数据特征向量。

S104，通过模型构建程序构建行走识别模型。

S105，将步骤S103构建的运动数据特征向量作为输入数据，输入构建的行走识别模型中，进行不同的行走模式的识别；通过显示器显示识别结果。

步骤S101中，利用角度传感器采集外骨骼膝关节的运动角度的方法包括：

S1，通过绷带将角度传感器绑缚在使用者的大腿和小腿上，并保证膝关节的回转运动不受影响；

S2，将角度传感器通电后，通过自动校正零点的方式，使得角度传感器归零；

S3，大腿角度传感器和小腿角度传感器分别采集使用者的膝关节的位置信息，并传输至智能控制单元；

S4，智能控制单元通过大腿角度传感器和小腿角度传感器的相对移动位置信息，提取矢量特种参数，获得膝关节的运动角度。

步骤S102中，对处理后的信号进行转换时，将肌电信号样本数据的模拟信号转换为0～3.3V的输出信号，然后，采用分压电路将0～3.3V的输出信号转换为0～0.5V的标准的肌电信号。

如图2所示，本发明实施例提供的基于膝关节外骨骼的实时行走模式识别系统设置有：

角度参数采集模块1，与中央控制模块6连接，用于利用角度传感器采集外骨骼膝关节的运动角度。

信号采集模块2，与中央控制模块6连接，用于通过肌电信号采集器进行肌电信号采集。

校准模块3，与中央控制模块6连接，用于通过校准器进行采集信号的校准。

信号放大模块4，与中央控制模块6连接，用于通过信号放大器进行信号的放大。

滤波模块5，与中央控制模块6连接，用于通过滤波器进行信号滤波。

中央控制模块6，与角度参数采集模块1、信号采集模块2、校准模块3、信号放大模块4、滤波模块5、信号转换模块7、信号分析模块8、特征提取模块9、模型构建模块10、识别模块11、显示模块12连接，用于通过主控机控制各个模块正常运行。

信号转换模块7，与中央控制模块6连接，用于通过转换器对信号进行转换。

信号分析模块8，与中央控制模块6连接，用于通过分析程序进行信号分析。

特征提取模块9，与中央控制模块6连接，用于对分析后的信号进行特征提取，并结合获取到的运动角度数据构建运动数据特征向量。

模型构建模块10，与中央控制模块6连接，用于通过模型构建程序构建行走识别模型。

识别模块11，与中央控制模块6连接，用于基于运动数据特征向量利用行走识别模型进行行走模式识别。

显示模块12，与中央控制模块6连接，用于通过显示器进行行走模式的显示。

实施例1

本发明实施例提供的基于膝关节外骨骼的实时行走模式识别方法如图1所示，作为优选实施例，如图3所示，本发明实施例提供的信号校准方法如下：

S201，获取肌电电极输出信号的主峰参数，并读取预置施加信号的主峰参数；

S202，将所述肌电电极输出信号的主峰参数与所述预置施加信号的主峰参数进行比较，确认是否触发校准指令；若触发校准指令，则根据所述校准指令校准所述肌电电极的输出信号，以使校准后的所述肌电电极的输出信号与所述预置施加信号匹配。

实施例2

本发明实施例提供的基于膝关节外骨骼的实时行走模式识别方法如图1所示，作为优选实施例，如图4所示，本发明实施例提供的信号放大处理方法包括：

S301，肌电电极产生电磁信号和参考信号，分别送至线圈支路和参考支路。

S302，在线圈支路中，发射线圈发射电磁信号，接收线圈接收感应到的信号，第一放大器将接收线圈的输出信号放大；在参考支路中，可调放大器将参考信号放大。

S303，将线圈支路与参考支路两支路进行相位比较，输出信号到主控机，主控机产生移相控制信号。

S304，在线圈支路或者参考支路中的一支路设置移相器，移相器根据移相控制信号对支路信号进行移相。

S305，减法器将线圈支路和参考支路输出信号相减。

S306，第二放大器将减法器输出信号进行放大，然后送到主控机处理，控制可调放大器。

实施例3

本发明实施例提供的基于膝关节外骨骼的实时行走模式识别方法如图1所示，作为优选实施例，如图5所示，本发明实施例提供的信号滤波处理方法包括：

S401，获取第i-m时刻至第i-m+n时刻的采集信号值。

S402，获取第i-1时刻的原始信号值。

S403，基于第i-m时刻至第i-m+n时刻的采集信号值和第i-1时刻的原始信号值，获取原始信号在第i-m时刻至第i-m+n时刻内呈上升趋势、下降趋势或保持不变状态的判断结果。

S404，基于与所述上升趋势、所述下降趋势和所述持不变状态对应的变化估计方程对第i时刻的采集信号值进行修正，从而获得滤波后的第i时刻的原始信号值。

实施例4

本发明实施例提供的基于膝关节外骨骼的实时行走模式识别方法如图1所示，作为优选实施例，本发明实施例提供的特征提取方法包括：

利用基于广义似然比检测判断肌肉收缩起始时刻算法确定肌肉收缩的初始时刻，提取肌电信号数据的特征值；所述特征值包括时域特征中的最大值、平均值、均方根和标准差，频域特征的功率谱比值；结合相应模型参数，将所有特征值以及外骨骼膝关节的运动角度使用偏最小二乘法进行融合构建相应的特征向量。

本发明实施例提供的基于广义似然比检测判断肌肉收缩起始时刻算法确定肌肉收缩的初始时刻包括以下步骤：

针对不同信噪比的模拟肌电信号，采用离线仿真方法得到肌肉收缩起始时刻检测误差最小的判别阈值，得到信噪比-经验阈值拟合曲线，确定信噪比与阈值的对应关系；根据肌电信噪比由阈值拟合曲线得到判别阈值，采用似然比检测算法在线分析肌肉收缩的起始时刻。

本发明实施例提供的最大值、平均值、均方根和标准差，频域特征的功率谱比值计算公式如下：

最大值，通过比较信号幅度，其中信号的最大幅值即为所述最大值。

平均值：

均方根：

标准差：

功率谱比值：

其中，n为所选某段表面肌电信号的采样点数，S(i)表示第1个数据点的信号幅值；P(f)表示功率谱密度函数；f₀表示最大功率谱处的频率；α表示积分范围。

实施例5

本发明实施例提供的基于膝关节外骨骼的实时行走模式识别方法如图1所示，作为优选实施例，本发明实施例提供的不同行走模式的模型构建方法为：

第一，对具体的行走模式行为进行多层次的归类，建立相应的分类树，其中所述分类树的每一个节点都代表一个类别，所述分类树的父节点下的子节点代表对该父节点对应类别进一步分类后所得到的子类，所述分类树的叶节点代表具体行走模式行为。

第二，对于分类树中每一个父节点的分类问题，基于随机森林模型，根据识别精度选择对应该分类问题的测试样本的最优特征集；其中所述父节点的分类问题是如何将样本从该父节点对应类别划分至其子节点对应类别的分类问题，其中选择所述最优特征集包括基于特征集FeatureSet1的训练样本集训练随机森林模型RandomForest1，基于特征集FeatureSet1中各个特征在模型RandomForest1中的特征使用频率组成特征集FeatureSet2，通过将基于特征集FeatureSet2的训练样本集训练的随机森林模型RandomForest2的识别精度与基于特征集FeatureSet1的训练样本集训练的随机森林模型RandomForest1的识别精度进行对比选出所述最优特征集。

第三，对于分类树中每一个父节点的分类问题，基于第二步所得出的该父节点所对应的最优特征集，选择一个最优分类模型作为该父节点所对应的子分类模型。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述基于膝关节外骨骼的实时行走模式识别方法包括以下步骤：

步骤一，利用角度传感器采集外骨骼膝关节的运动角度；将肌电信号采集器上的肌电电极贴片贴附在人体膝关节处，采集肌电信号，并通过校准器进行信号校准；

所述利用角度传感器采集外骨骼膝关节的运动角度的方法包括：

S1，通过绷带将角度传感器绑缚在使用者的大腿和小腿上，并保证膝关节的回转运动不受影响；

S2，将角度传感器通电后，通过自动校正零点的方式，使得角度传感器归零；

S3，大腿角度传感器和小腿角度传感器分别采集使用者的膝关节的位置信息，并传输至智能控制单元；

S4，智能控制单元通过大腿角度传感器和小腿角度传感器的相对移动位置信息，提取矢量特种参数，获得膝关节的运动角度；

所述信号校准方法为：

首先，获取肌电电极输出信号的主峰参数，并读取预置施加信号的主峰参数；

其次，将所述肌电电极输出信号的主峰参数与所述预置施加信号的主峰参数进行比较，确认是否触发校准指令；若触发校准指令，则根据所述校准指令校准所述肌电电极的输出信号，以使校准后的所述肌电电极的输出信号与所述预置施加信号匹配；

步骤二，对校准后的肌电信号进行放大、滤波的处理，通过转换器对处理后的信号进行转换；对转换后的信号进行分析；

对处理后的信号进行转换时，将肌电信号样本数据的模拟信号转换为0～3.3V的输出信号，然后，采用分压电路将0～3.3V的输出信号转换为0～0.5V的标准的肌电信号；

步骤三，对分析后的信号进行特征提取，并结合获取到的运动角度数据构建运动数据特征向量；

步骤四，通过模型构建程序构建行走识别模型；

步骤五，将步骤三构建的运动数据特征向量作为输入数据，输入构建的行走识别模型中，进行不同的行走模式的识别；通过显示器显示识别结果。

2.如权利要求1所述基于膝关节外骨骼的实时行走模式识别方法，其特征在于，步骤二中，所述信号放大处理方法包括：

(1)肌电电极产生电磁信号和参考信号，分别送至线圈支路和参考支路；

(2)在线圈支路中，发射线圈发射电磁信号，接收线圈接收感应到的信号，第一放大器将接收线圈的输出信号放大；在参考支路中，可调放大器将参考信号放大；

(3)将线圈支路与参考支路两支路进行相位比较，输出信号到主控机，主控机产生移相控制信号；

(4)在线圈支路或者参考支路中的一支路设置移相器，移相器根据移相控制信号对支路信号进行移相；

(5)减法器将线圈支路和参考支路输出信号相减；

(6)第二放大器将减法器输出信号进行放大，然后送到主控机处理，控制可调放大器。

3.如权利要求1所述基于膝关节外骨骼的实时行走模式识别方法，其特征在于，步骤二中，所述信号滤波处理方法包括：

1)获取第i-m时刻至第i-m+n时刻的采集信号值；

2)获取第i-1时刻的原始信号值；

3)基于第i-m时刻至第i-m+n时刻的采集信号值和第i-1时刻的原始信号值，获取原始信号在第i-m时刻至第i-m+n时刻内呈上升趋势、下降趋势或保持不变状态的判断结果；

4)基于与所述上升趋势、所述下降趋势和所述持不变状态对应的变化估计方程对第i时刻的采集信号值进行修正，从而获得滤波后的第i时刻的原始信号值。

4.如权利要求1所述基于膝关节外骨骼的实时行走模式识别方法，其特征在于，步骤三中，所述特征提取方法包括：

利用基于广义似然比检测判断肌肉收缩起始时刻算法确定肌肉收缩的初始时刻，提取肌电信号数据的特征值；所述特征值包括时域特征中的最大值、平均值、均方根和标准差，频域特征的功率谱比值；结合相应模型参数，将所有特征值以及外骨骼膝关节的运动角度使用偏最小二乘法进行融合构建相应的特征向量。

5.如权利要求4所述基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述基于广义似然比检测判断肌肉收缩起始时刻算法确定肌肉收缩的初始时刻包括以下步骤：

针对不同信噪比的模拟肌电信号，采用离线仿真方法得到肌肉收缩起始时刻检测误差最小的判别阈值，得到信噪比-经验阈值拟合曲线，确定信噪比与阈值的对应关系；根据肌电信噪比由阈值拟合曲线得到判别阈值，采用似然比检测算法在线分析肌肉收缩的起始时刻。

6.如权利要求4所述基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述最大值、平均值、均方根和标准差，频域特征的功率谱比值计算公式如下：

最大值，通过比较信号幅度，其中信号的最大幅值即为所述最大值；

平均值：

均方根：

标准差：

功率谱比值：

其中，n为所选某段表面肌电信号的采样点数，S(i)表示第1个数据点的信号幅值；P(f)表示功率谱密度函数；f0表示最大功率谱处的频率；α表示积分范围。

7.如权利要求1所述基于膝关节外骨骼的实时行走模式识别方法，其特征在于，步骤四中，所述不同行走模式的模型构建方法为：

第一，对具体的行走模式行为进行多层次的归类，建立相应的分类树，其中所述分类树的每一个节点都代表一个类别，所述分类树的父节点下的子节点代表对该父节点对应类别进一步分类后所得到的子类，所述分类树的叶节点代表具体行走模式行为；

第二，对于分类树中每一个父节点的分类问题，基于随机森林模型，根据识别精度选择对应该分类问题的测试样本的最优特征集；其中所述父节点的分类问题是如何将样本从该父节点对应类别划分至其子节点对应类别的分类问题，其中选择所述最优特征集包括基于特征集FeatureSet1的训练样本集训练随机森林模型RandomForest1，基于特征集FeatureSet1中各个特征在模型RandomForest1中的特征使用频率组成特征集FeatureSet2，通过将基于特征集FeatureSet2的训练样本集训练的随机森林模型RandomForest2的识别精度与基于特征集FeatureSet1的训练样本集训练的随机森林模型RandomForest1的识别精度进行对比选出所述最优特征集；

第三，对于分类树中每一个父节点的分类问题，基于第二步所得出的该父节点所对应的最优特征集，选择一个最优分类模型作为该父节点所对应的子分类模型。

8.一种实施如权利要求1-7任意一项所述的基于膝关节外骨骼的实时行走模式识别方法的基于膝关节外骨骼的实时行走模式识别系统，其特征在于，所述基于膝关节外骨骼的实时行走模式识别系统设置有：

角度参数采集模块，与中央控制模块连接，用于利用角度传感器采集外骨骼膝关节的运动角度；

信号采集模块，与中央控制模块连接，用于通过肌电信号采集器进行肌电信号采集；

校准模块，与中央控制模块连接，用于通过校准器进行采集信号的校准；

信号放大模块，与中央控制模块连接，用于通过信号放大器进行信号的放大；

滤波模块，与中央控制模块连接，用于通过滤波器进行信号滤波；

中央控制模块，与角度参数采集模块、信号采集模块、校准模块、信号放大模块、滤波模块、信号转换模块、信号分析模块、特征提取模块、模型构建模块、识别模块、显示模块连接，用于通过主控机控制各个模块正常运行；

信号转换模块，与中央控制模块连接，用于通过转换器对信号进行转换；

信号分析模块，与中央控制模块连接，用于通过分析程序进行信号分析；

特征提取模块，与中央控制模块连接，用于对分析后的信号进行特征提取，并结合获取到的运动角度数据构建运动数据特征向量；

模型构建模块，与中央控制模块连接，用于通过模型构建程序构建行走识别模型；

识别模块，与中央控制模块连接，用于基于运动数据特征向量利用行走识别模型进行行走模式识别；

显示模块，与中央控制模块连接，用于通过显示器进行行走模式的显示。

9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1-8任意一项所述基于膝关节外骨骼的实时行走模式识别方法。

10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述的基于膝关节外骨骼的实时行走模式识别方法。

Images