CN114038005A - 基于神经网络的步态相位识别方法 - Google Patents

基于神经网络的步态相位识别方法 Download PDF

Info

Publication number
CN114038005A
CN114038005A CN202110881416.9A CN202110881416A CN114038005A CN 114038005 A CN114038005 A CN 114038005A CN 202110881416 A CN202110881416 A CN 202110881416A CN 114038005 A CN114038005 A CN 114038005A
Authority
CN
China
Prior art keywords
gait
data
gait phase
neural network
recognition
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
CN202110881416.9A
Other languages
English (en)
Inventor
任彬
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202110881416.9A priority Critical patent/CN114038005A/zh
Publication of CN114038005A publication Critical patent/CN114038005A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于神经网络的步态相位识别方法。本方法的操作步骤a.构建步态数据采集设备，b.步态数据采集实验，c.下肢行走机理分析及步态相位划分，d.基于多层感知器神经网络算法，建立步态相位识别模型，进行步态相位识别，e.步态数据集的建立，f.多运动模式步态相位识别。本发明的目的在于搭建用于采集运动步态数据的足底压力测量系统，采用基于神经网络的步态相位识别算法开展行走模式和跑步模式下的步态相位识别研究，通过比较不同网络结构对识别准确率的影响，对神经网络识别模型进行优化调整。

Description

基于神经网络的步态相位识别方法
技术领域
本发明涉及一种基于神经网络模型的步态相位识别方法，应用于足底压力信息感知与人 体运动状态预测的研究领域。
背景技术
作为一种强大的人机耦合系统，下肢外骨骼机器人需要准确的感知操作员的动作状态和 行为意图，外骨骼的步态一致性主要由以下三个方面决定：步态轨迹生成，步态执行和步态 评估，这些都与步态相位有关。步态相位必须能够被人机系统准确的识别，以准确地控制外 骨骼产生为穿戴者提供协助的运动动作。通常情况下，如果以一条腿为参考，一个步态周期 主要由两个阶段组成，即站立阶段和摆动阶段；如果以两条腿为参考，一个完整的步态周期 则包括，单足站立阶段，双足站立阶段(行走)或双足摆动阶段(跑步)。到目前为止，已经 根据不同的临床目的，提出了几种具有不同精度级别的步态相位划分模型。不过，通过判断 当前被观察脚是否与地面接触来判断当前所处的主要步态相位，将步态周期划分为站立相位 和摆动相位是直观并且有依据的。但是，对于步态子相位的划分，则没有一个准确的划分原 则。将下肢整体作为参考并且考虑到动力外骨骼实际的应用场景，对于不同运动模式下的步 态识别是非常有必要的，开发一种能够适用在不同运动模式下进行对应步态相位识别的算法 是具有挑战的。
发明内容
为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于神 经网络的步态相位识别方法，采用基于神经网络的步态相位识别算法开展行走模式和跑步模 式下的步态相位识别研究，通过比较不同网络结构对识别准确率的影响，对神经网络识别模 型进行优化调整。
为达到上述发明创造目的，本发明采用如下技术方案：
一种基于神经网络的步态相位识别方法，操作步骤如下：
a.构建步态数据采集设备；
b.步态数据采集实验；
c.下肢行走机理分析及步态相位划分；
d.基于多层感知器神经网络算法建立步态相位识别模型进行步态相位识别；
e.步态数据集的建立；
f.多运动模式步态相位识别。
优选地，所述步骤a的步态数据采集设备系统由传感器模块、信号调理模块、单片机控 制模块、数据存储模块以及供电模块组成；为了便于携带安装在人体肢体的固定位置，进行 信号的采集；按照单片机Arduino Uno的封装尺寸设计集成电路板模块，将所有的模块集成 为一个整体；信号经由信号调理模块处理之后在单片机的控制下，通过复用器单元进入到单 片机模块中，在Arduino微控制器内置的模拟量-数字量转换模块的处理下，变成数字信号， 最终存储在数据存储模块SD卡中，用于后续的数据分析处理；采用基于FSR传感单元所设 计的柔性传感鞋垫进行足底压力信号的监控，单脚8个传感单元，双脚一共16个传感单元， 其中传感单元的位置是根据足部的生理特征与承重特点进行布局的，按照脚掌区域划分；跖 骨和脚后跟区域布局3个传感单元，脚趾和足弓区域则各放置1个传感单元。
优选地，所述步骤b的步态数据采集实验的具体步骤为：
(1)招募多名不曾罹患步态行走相关疾病的测试者参与穿戴试验；
(2)将所设计的足底压力测量系统安放在测试者各自穿着的鞋内，再使用尼龙卡扣的 腰带将信号采集模块固定在腰部；
(3)为避免导线甩动影响正常行走而产生不自然的动作，以及方便于穿戴和脱下实验 器材，实验中使用带有尼龙卡扣的扎带在膝关节上方的位置，将导线约束在下肢后侧；
(4)将拥有足够电量的充电宝放置在采集者的口袋中，用于给采集系统供电，保证测 试者能够达到和非穿戴传感器材情况下的双手双脚自然摆动的状态，而步态数据则可以同时 由信号采集模块记录下来，避免因为穿戴传感器而对自然步态产生的干扰；
(5)测试者在跑步机上开始进行步态数据采集，以不同的设定速度进行试验，在每种 速度设定下，参与者按照各自的行走/跑步习惯从站立姿势进入到运动状态，在启动跑步机的 同时，打开信号采集系统的供电开关，每组步态运动采集实验时长1分钟，采样频率为100 赫兹。
优选地，所述步骤c的下肢行走机理分析及步态相位划分：在步态相位识别算法设计和 应用之前，步态数据中的步态相位需要首先经过离线的打标签，需要对用于训练分类识别算 法的数据集进行真值处理，使得基于监督式的机器学习的方法可以将一个输入映射到一个输 出，这通常需要一组带标签的数据，使得模型能够从学习中不断调整学习算法；基于阈值的 方法通常被用在压力传感器信号的“开关状态”判别，通过单独的为每一个传感单元设定相应 的信号阈值，来判断传感单元处于“空闲状态”或者“工作状态”。
优选地，所述步骤d的基于多层感知器神经网络算法，建立步态相位识别模型，进行步 态相位识别。其中，输入矢量是由压力传感信号构成的输入层，矢量维度为16，输出矢量是 由步态相位类别构成的输出层，输出矢量大小——步态相位类别数量为6；定义了训练集识 别正确率和步态相位识别正确率来量化评估模型的识别结果。
优选地，所述步骤e的步态数据集的建立：建立来自四名实验参与对象，在八组不同步 态运动速度设定下的足底压力实验数据集；步态数据是从站立状态开始记录，在站立切换到 指定步态运动速度的过程中的步态信号不属于有效信号，在开展步态相位分类之前，需要对 数据集进行了初步整理，考虑有效的运动步态信号，将预备动作期间——从站立状态进入到 指定步行速度期间的信号，从数据集中移除，留下稳定运动状态下的步态数据信息。
优选地，所述步骤f的多运动模式步态相位识别：采用交叉验证方法全面训练与验证步 态相位识别模型，并验证模型的表现能力；测试者的步态数据集，按照“3+1”的比例划分成两 组。每一次训练步态相位识别模型时，其中三个参与者的步态数据被用作训练集，进行步态 相位识别模型的训练，第四个参与者的步态数据，被用作模型识别步态相位的测试集合，四 次循环即可遍历所有数据；在训练过程中，三个参与者的步态数据被进一步按照“70:15:15” 的比例划分成Training，Validation,Testing数据集，分别用于网络的训练，和机器学习训练 过程的控制；步态相位识别神经网络使用MATLAB的工具箱nprtool进行训练。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.本发明基于压力传感单元FSR(Feedback Shift Register，反馈移位寄存器)的足底压 力信息采集传感系统，并招募多名实验参与对象，开展多组不同运动速率的步态运动实验， 相关的步态实验数据被记录并用于建立数据集；
2.本发明结合对足底压力数据的特点分析，步态实验数据被首先划分成了多段步态周 期，根据脚掌接触地面过程中的足底压力数据特征，将步态周期又细分成两段步态子相位并 被标记为相应的标签，结合不同运动模式定义了下肢双腿的多个不同阶段；
3.本发明不需要人工干预来选择相关信号特征，通过使用16个传感通道的原始输入信 号训练神经网络模型获得六维的输出向量，步态相位识别模型的准确率随着优化神经网络隐 藏层的节点数量而提升，基于足底压力信号识别多种运动模式下的步态相位具有一定的有效 性；
4.本发明方法简单易行，成本低，适合推广使用。
附图说明
图1为本发明的步态相位识别方法流程框图。
图2为基于FSR压力传感单元所设计的柔性传感鞋垫图。
图3为步态数据采集过程图，(a)传感器穿戴方式正面；(b)传感器穿戴方式背面；(c) 在跑步机上采集步态数据。
图4为行走模式的足底压力信号与相位示意图。
图5为跑步模式的足底压力信号与相位示意图。
图6为神经网络模型结构示意图。
图7为不同行走速度下的步态频率统计结果。
图8为步态主相位在步态周期中的时间占比统计结果图。
图9为行走模式下(5km/h)的步态相位识别结果图。
图10为跑步模式下(9km/h)的步态相位识别结果图。
具体实施方式
以下结合具体的实施例对上述方案做进一步说明，本发明的优选实施例详述如下：
实施例一：
在本实施例中，参见图1，一种基于神经网络的步态相位识别方法，操作步骤如下：
a.构建步态数据采集设备；
b.步态数据采集实验；
c.下肢行走机理分析及步态相位划分；
d.基于多层感知器神经网络算法，建立步态相位识别模型，进行步态相位识别；
e.步态数据集的建立；
f.多运动模式步态相位识别。
本实施例采用基于神经网络的步态相位识别算法开展行走模式和跑步模式下的步态相位 识别研究，通过比较不同网络结构对识别准确率的影响，对神经网络识别模型进行优化调整。
实施例二：
本实施例与实施例一基本相同，特别之处在于：
在本实施例中，所述步骤a步态数据采集设备系统由传感器模块、信号调理模块、单片 机控制模块、数据存储模块以及供电模块组成；为了便于携带和安装在人体肢体的固定位置 进行信号的采集，按照单片机Arduino Uno的封装尺寸设计集成电路板模块，将所有的模块 集成为一个整体；信号经由信号调理模块处理之后在单片机的控制下，通过复用器单元进入 到单片机模块中，在Arduino微控制器内置的模拟量-数字量转换模块的处理下，变成数字信 号，最终存储在数据存储模块SD卡中，用于后续的数据分析处理；采用基于FSR压力传感 单元所设计的柔性传感鞋垫进行足底压力信号的监控，单脚8个传感单元，双脚一共16个传 感单元，其中传感单元的位置是根据足部的生理特征与承重特点进行布局的，按照脚掌区域 划分；跖骨和脚后跟区域布局3个传感单元，脚趾和足弓区域则各放置1个传感单元。
所述步骤b步态数据采集实验的具体步骤为：
(1)招募多名不曾罹患步态行走相关疾病的测试者参与穿戴试验；
(2)将所设计的足底压力测量系统安放在测试者各自穿着的鞋内，再使用尼龙卡扣的腰 带将信号采集模块固定在腰部；
(3)为避免导线甩动影响正常行走而产生不自然的动作，方便于穿戴和脱下实验器材， 实验中使用带有尼龙卡扣的扎带，在膝关节上方的位置将导线约束在下肢后侧；
(4)将拥有足够电量的充电宝放置在采集者的口袋中用于给采集系统供电，保证测试者 能够达到和非穿戴传感器材情况下的双手双脚自然摆动的状态，而步态数据则可以同时由信 号采集模块记录下来，避免因为穿戴传感器而对自然步态产生的干扰；
(5)测试者在跑步机上开始进行步态数据采集，以不同的设定速度进行试验，在每种速 度设定下，参与者按照各自的行走/跑步习惯从站立姿势进入到运动状态，在启动跑步机的同 时，打开信号采集系统的供电开关，每组步态运动采集实验时长1分钟，采样频率为100赫 兹。
所述步骤c下肢行走机理分析及步态相位划分：在步态相位识别算法设计和应用之前， 步态数据中的步态相位需要首先经过离线的打标签，需要对用于训练分类识别算法的数据集 进行真值处理，使得基于监督式的机器学习的方法可以将一个输入映射到一个输出，这通常 需要一组带标签的数据，使得模型能够从学习中不断调整学习算法；基于阈值的方法通常被 用在压力传感器信号的“开关状态”判别，通过单独的为每一个传感单元设定相应的信号阈 值，来判断传感单元处于“空闲状态”或者“工作状态”。
所述步骤d基于多层感知器神经网络算法，建立步态相位识别模型，进行步态相位识别。 其中，输入矢量是由压力传感信号构成的输入层，矢量维度为16，输出矢量是由步态相位类 别构成的输出层，输出矢量大小——步态相位类别数量为6；定义了训练集识别正确率和步 态相位识别正确率，来量化评估模型的识别结果。
所述步骤e步态数据集的建立：建立来自四名实验参与对象，在八组不同步态运动速度 设定下的足底压力实验数据集；步态数据是从站立状态开始记录，在站立切换到指定步态运 动速度的过程中的步态信号不属于有效信号，在开展步态相位分类之前，需要对数据集进行 了初步整理，考虑有效的运动步态信号将预备动作期间——从站立状态进入到指定步行速度 期间的信号从数据集中移除，留下稳定运动状态下的步态数据信息。
所述步骤f多运动模式步态相位识别：采用交叉验证方法全面训练与验证步态相位识别 模型，并验证模型的表现能力；测试者的步态数据集，按照“3+1”的比例划分成两组；每一 次训练步态相位识别模型时，其中三个参与者的步态数据被用作训练集，进行步态相位识别 模型的训练，第四个参与者的步态数据被用作模型识别步态相位的测试集合，四次循环即可 遍历所有数据；在训练过程中，三个参与者的步态数据被进一步按照“70:15:15”的比例划分 成Training，Validation，Testing数据集，分别用于网络的训练和机器学习训练过程的控制； 步态相位识别神经网络使用MATLAB的工具箱nprtool进行训练。
本实施例基于FSR压力传感单元的足底压力信息采集的传感系统，并招募多名实验参与 对象，开展多组不同运动速率的步态运动实验，相关的步态实验数据被记录并用于建立数据 集。本实施例结合对足底压力数据的特点分析，步态实验数据被首先划分成了多段步态周期， 根据脚掌接触地面过程中的足底压力数据特征，将步态周期又细分成两段步态子相位，并被 标记为相应的标签。结合不同运动模式定义了下肢双腿的多个不同阶段；本实施例不需要人 工干预来选择相关信号特征，通过使用16个传感通道的原始输入信号，训练神经网络模型， 获得六维的输出向量，步态相位识别模型的准确率，随着优化神经网络隐藏层的节点数量而 提升，基于足底压力信号识别多种运动模式下的步态相位具有一定的有效性。
实施例三：
本实施例与上述实施例基本相同，特别之处在于：
(1)在本实施例中，所述步骤a为步态数据采集系统。
步态数据采集系统由传感器模块、信号调理模块、单片机控制模块、数据存储模块以及 供电模块组成，系统的主要构成如附图2所示，为了便于携带和安装在人体肢体的固定位置 进行信号的采集，按照单片机Arduino Uno的封装尺寸设计了集成电路板模块，将所有的模 块集成为一个整体。信号经由信号调理模块的处理之后在单片机的控制下，通过复用器单元 进入到单片机模块中，在Arduino微控制器内置的模拟量-数字量转换模块的处理下，变成数 字信号，最终存储在数据存储模块SD卡中，用于后续的数据分析处理。
传感器模块设计的好坏从源头上决定了所采集到的数据是否能够提供有效的研究信息， 因此，传感器需要结合人体运动的特点以及稳定性加以选择，FSR传感器凭借其质量轻体积 小，轻薄、灵敏度高，柔韧性好被广泛引用在足底测量应用当中。本发明采用基于FSR传感 单元所设计的柔性传感系统进行足底压力信号采集，单脚8个传感单元，双脚一共16个传感 单元，其中，传感单元的位置是根据足部的生理特征与承重特点进行布局的，按照脚掌区域 划分。由于跖骨和脚后跟区域在行走过程中起到主要的承重作用，压力分布信息较广，因此， 布局数量相对较多为3个传感单元，其余脚趾和足弓区域则各放置1个传感单元。FSR传感 器制造技术已经相当成熟，传感单元的线性度一致性良好，传感单元无需额外的校准过程。
(2)所述步骤b为步态数据采集实验。
在人体下肢运动的过程中，足底的不同区域与地面产生接触并呈现出规律性的压力变化， 测量和分析人体下肢在不同运动状态下的步态数据是研究人体运动规律最直接的方式。首先， 招募多名不曾罹患步态行走相关疾病的测试者参与穿戴试验；其次，将所设计的足底压力测 量系统安放在测试者各自穿着的鞋内，再使用尼龙卡扣的腰带将信号采集模块固定在腰部， 为了避免导线甩动影响正常行走而产生不自然的动作以及方便于穿戴和脱下实验器材，实验 中使用带有尼龙卡扣的扎带在膝关节上方的位置将导线约束在下肢后侧，并将拥有足够电量 的充电宝放置在采集者的口袋中用于给采集系统供电，穿戴方式附图3所示，保证测试者能 够达到和非穿戴传感器材情况下的双手双脚自然摆动的状态，而步态数据则可以同时由信号 采集模块记录下来，避免因为穿戴传感器而对自然步态产生的干扰；接下来，测试者在跑步 机上开始进行步态数据采集，参照附图3，以不同的设定速度进行试验，在每种速度设定下， 参与者按照各自的行走/跑步习惯从站立姿势进入到运动状态，在启动跑步机的同时，打开信 号采集系统的供电开关，每组步态运动采集实验时长1分钟，采样频率为100赫兹。
(3)所述步骤c为下肢行走机理分析及步态相位划分。
通常情况下，一个步态周期被定义如下：从被观测脚(例如右脚)的脚后跟着地到该被 观测脚再一次出现脚后跟着地所经过的时间，即脚后跟着地事件意味着上一个步态周期的结 束，以及下一个步态周期的开始。在行走过程中的单腿分为两种步态主相位，一是站立相位 (Standing Phase，STP)，二是摆动相位(Swing Phase,SWP)，由于腿部处于摆动阶段时，足 底与地面不发生接触而不存在足底压力，因此足底压力信号变化主要存在于站立相位中，基 于足底压力信息的步态相位划分对站立相位可以被更加细致地划分成多个步态子相位。
步态相位识别的开展是需要建立在步态数据已经经过离线分类的基础之上的。在步态相 位识别算法设计和应用之前，步态数据中的步态相位需要首先经过离线的打标签，需要对用 于训练分类识别算法的数据集进行真值处理，才能够使得基于监督式的机器学习的方法可以 将一个输入映射到一个输出，这通常需要一组带标签的数据，使得模型能够从学习中不断调 整学习算法。
基于阈值的方法通常被用在压力传感器信号的“开关状态”判别，通过单独的为每一个 传感单元设定相应的信号阈值，来判断传感单元处于“空闲状态”或者“工作状态”。单腿的 步态周期能够通过传感单元的“开关状态”分辨出来，使用如下公式：
Figure BDA0003192498290000081
其中Dthreshold是FSR传感单元在步态数据中的阈值，Smax是步态数据中的最大值，Smin是 步态数据中的最小值，δ是可调整的阈值系数，用来表示阈值占峰值之间的百分比，这里δ 取20％，阈值数据判断传感单元的状态用来建立划分步态相位的真值表，如附图所示。
(4)所述步骤d为多层感知器神经网络算法。
本发明基于多层感知器神经网络算法(Multilayer Perceptron，MLP)建立步态相位识别模 型进行步态相位识别。多层感知器是一种前向结构的人工神经网络，映射一组输入向量到一 组输出向量，其结构如附图所示。其模型如下：
Figure BDA0003192498290000082
其中，PInput是输入矢量(压力传感信号)构成的输入层，矢量维度为16，GOutput是输出 矢量(步态相位类别)构成的输出层，输出矢量大小(步态相位类别数量)为6，按照MLP神经网络的定义，f(x)表示为：
h(x)ss(b(1)+W(1)pi) (3)
f(x)＝G(b(2)+W(2)h(x)) (4)
其中，h(x)是隐藏层输出矢量，函数G(·)是softmax()，被用来作为多类别分类，激活函 数s(·)是tanh(·)，通常能够使训练速度更快。矢量b(1)，b(1)是偏移向量，矩阵
Figure BDA0003192498290000083
是 用来连接输入层节点和隐藏层节点的权重矩阵，
Figure BDA0003192498290000084
表示用来连接隐藏层节点和输出 层节点的权重矩阵。在步态识别模型训练开始前，参数β＝{W(1)，W(2)，b(1)，b(2)}是随机初始化 的。本发明定义了训练集识别正确率(correct rate ofset，CRS)和步态相位识别正确率(correct rate ofphase，CRP)来量化评估模型的识别结果
Figure BDA0003192498290000085
其中，Ns是训练集或测试集合中步态数据采样点的总数量，
Figure BDA0003192498290000086
是训练集合或测试 集合中被正确识别的步态数据采样点的数量。
Figure BDA0003192498290000087
其中，Np是各步态相位阶段内的采样点数量，
Figure BDA0003192498290000091
是在相对应的步态相位阶段内， 被准确识别的采样点数量。CRS是用来描述步态相位识别模型的整体表现性能的，针对提高 CRS的关于步态相位模型参数的改进可以从侧面体现出步态相位识别模型的优化过程。
(5)所述步骤e为步态数据集的建立。
建立来自四名实验参与对象，在八组不同步态运动速度设定下的足底压力实验数据集。 步态数据是从站立状态开始记录，在站立切换到指定步态运动速度的过程中的步态信号不属 于有效信号，在开展步态相位分类之前，需要对数据集进行了初步整理，考虑有效的运动步 态信号将预备动作期间(从站立状态进入到指定步行速度期间)的信号从数据集中移除，留 下稳定运动状态下的步态数据信息。
(6)所述步骤f为多运动模式步态相位识别。
本发明采用交叉验证方法全面训练与验证步态相位识别模型，并验证模型的表现能力。 测试者的步态数据集，按照“3+1”的比例划分成两组。每一次训练步态相位识别模型时，其 中，三个参与者的步态数据被用作训练集进行步态相位识别模型的训练，第四个参与者的步 态数据被用作模型识别步态相位的测试集合，四次循环即可遍历所有数据。在训练过程中， 三个参与者的步态数据被进一步按照“70:15:15”的比例划分成Training，Validation,Testing 数据集，分别用于网络的训练，和机器学习训练过程的控制。步态相位识别神经网络使用 MATLAB(版本号：R2020A)的工具箱nprtool(Neural NetworkPattern Recognition app)进行 训练。
实施例四：
本实施例与上述实施例基本相同，特别之处在于：
在本实施例中，一种基于神经网络的步态相位识别方法，操作步骤如下：
a.步态数据采集设备
根据发明内容a设计并搭建步态数据采集设备。
b.步态数据采集实验
不同人的年龄和性别会或多或少的影响步态相位的时间长度，为了保证所提出的模型的 可行性，并且避免其他影响因素，缩窄招募人员的范围，来自实验室的4名成员参与步态数 据采集实验，所有参与实验的成员均没有罹患行走步态相关的疾病，这些参与者都是男性， 年龄在24±2岁，身高在175±3cm，鞋码尺寸相近，具体的身体素质数据如表1和表2所示。
表1.行走模式(5km/h)的平均识别正确率以及各步态相位识别正确率
Figure BDA0003192498290000101
表2.跑步模式(9km/h)的平均识别正确率以及各步态相位识别正确率
Figure BDA0003192498290000102
步态运动采集实验是按照3km/h,4km/h,5km/h,6km/h,7km/h,8km/h,9km/h,10km/h，一 共8种不同的运动速度设定跑步机的速度。在实验中，大多数实验参与者在低于7km/h或 8km/h的速度设定下，处于行走模式，而在高于8km/h的速度设定下，则处于跑步模式。
c.下肢行走机理分析
按照本发明内容c所描述的下肢行走机理，以双脚为参考定义所处的步态相位方法与单 脚步态相位定义的方式有所区别，在行走期间由于步行速度较慢，为了能够稳定的从一侧腿 的站立状态换到另一侧腿的站立状态，双脚存在同时着地的情况；跑步期间，同样是从一侧 腿的站立状态切换到另一侧腿的站立状态，由于运动速度较快，肢体依靠惯性力呈现出“腾 空”的姿态，双脚存在同时离地的情况。针对步态子相位的划分如附图4和附图5所示。其 中图4表示行走模式的足底压力信号，图4表示跑步模式的足底压力信号。
d.步态数据集建立
按照发明方法e的过程，对采集数据初步整理，得到的数据集包含四个参与者从3km/h 到10km/h的近20万组采样点(采样频率100赫兹)，每组采样点包含16个传感通道(左脚 8个和右脚8个)的足底压力信号。
根据步态周期划分方法，将足底压力信号按照双脚的标记动作(左脚跟触地的起始时刻， 同时也是左脚摆动相位的终止时刻)为开始截取点，在此后的信号序列中，每当左脚重复出 现标记动作的时刻，标记为一次步态周期的划分点，借助MATLAB(版本号：R2020A)的 Signal Labeler工具箱的UI界面，选择足底压力信号曲线中的相应位置进行标记。四名实验 参与对象的步态数据集里包含1052个步态周期，按照不同行走速度设定下的步态频率统计结 果参看附图7。
将步态频率统计结果按照主相位(站立相位和摆动相位)进行可视化的结果参看附图7， 所有参与实验对象在步行速度不超过7km/h的情况下，站立相位的时间占比要比摆动相位的 时间占比多；当步行速度为7km/h和8km/h的情况下，摆动相位和站立相位的平均占比几乎 相持平；当步行速度超过8km/h的情况下，摆动相位的时间占比要比站立相位的时间占比多。
e.多运动模式步态相位识别
通常情况下，神经网络的隐藏层中，不同数量的节点会对识别的准确率产生不同的影响， 为了选择合适数量的神经网络节点数量，采用不同节点数量的神经网络模型对以上数据集进 行步态相位识别的评估，各神经网络模型的识别结果可参考附图9和附图10。附图9记录的 是在步态相位识别模型的训练过程中，对于步行运动模式的平均识别正确率以及各步态相位 识别的正确率；附图10记录的是跑步运动模式的平均识别正确率以及各步态相位识别的正确 率。附图9和附图10分别展示的是来自四个实验多项在行走模式下和跑步模式下选取各自的 一个步态周期进行分析得到的步态相位识别结果。结果表明，步态相位识别模型在行走运动 模式(慢速)下能够对不同参与对象的步态相位进行比较准确地识别，尽管在步态相位的切 换阶段存在或多或少的识别滞后现象，但在步态相位的主要阶段均表现出了准确的识别结果。 在跑步运动模式(快速)下对不同实验对象，在双脚腾空的步态相位识别中普遍存在或多或 少的误识别，以及识别波动现象，但在大多数步态数据中都能够完成正确的识别。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本 发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、 修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背 离本发明的技术原理和发明构思，都属于本发明的保护范围。

Claims (7)

1.一种基于神经网络的步态相位识别方法，其特征在于，操作步骤如下：
a.构建步态数据采集设备；
b.步态数据采集实验；
c.下肢行走机理分析及步态相位划分；
d.基于多层感知器神经网络算法，建立步态相位识别模型，进行步态相位识别；
e.步态数据集的建立；
f.多运动模式步态相位识别。
2.根据权利要求1所述的基于神经网络的步态相位识别方法，其特征在于：所述步骤a步态数据采集设备系统由传感器模块、信号调理模块、单片机控制模块、数据存储模块以及供电模块组成；为了便于携带和安装在人体肢体的固定位置进行信号的采集，按照单片机Arduino Uno的封装尺寸设计集成电路板模块，将所有的模块集成为一个整体；信号经由信号调理模块处理之后在单片机的控制下，通过复用器单元进入到单片机模块中，在Arduino微控制器内置的模拟量-数字量转换模块的处理下，变成数字信号，最终存储在数据存储模块SD卡中，用于后续的数据分析处理；采用基于FSR传感单元所设计的柔性传感鞋垫进行足底压力信号的监控，单脚8个传感单元，双脚一共16个传感单元，其中传感单元的位置是根据足部的生理特征与承重特点进行布局的，按照脚掌区域划分；跖骨和脚后跟区域布局3个传感单元，脚趾和足弓区域则各放置1个传感单元。
3.根据权利要求1所述的基于神经网络的步态相位识别方法，所述步骤b的步态数据采集实验的具体步骤为：
(1)招募多名不曾罹患步态行走相关疾病的测试者参与穿戴试验；
(2)将所设计的足底压力测量系统安放在测试者各自穿着的鞋内，再使用尼龙卡扣的腰带将信号采集模块固定在腰部；
(3)为避免导线甩动影响正常行走而产生不自然的动作以及方便于穿戴和脱下实验器材，实验中使用带有尼龙卡扣的扎带在膝关节上方的位置将导线约束在下肢后侧；
(4)将拥有足够电量的充电宝放置在采集者的口袋中用于给采集系统供电，保证测试者能够达到和非穿戴传感器材情况下的双手双脚自然摆动的状态，而步态数据则可以同时由信号采集模块记录下来，避免因为穿戴传感器而对自然步态产生的干扰；
(5)测试者在跑步机上开始进行步态数据采集，以不同的设定速度进行试验，在每种速度设定下，参与者按照各自的行走/跑步习惯从站立姿势进入到运动状态，在启动跑步机的同时，打开信号采集系统的供电开关，每组步态运动采集实验时长1分钟，采样频率为100赫兹。
4.根据权利要求1所述的基于神经网络的步态相位识别方法，其特征在于：所述步骤c下肢行走机理分析及步态相位划分。在步态相位识别算法设计和应用之前，步态数据中的步态相位需要首先经过离线的打标签，需要对用于训练分类识别算法的数据集进行真值处理，使得基于监督式的机器学习的方法可以将一个输入映射到一个输出，这通常需要一组带标签的数据，使得模型能够从学习中不断调整学习算法；基于阈值的方法通常被用在压力传感器信号的“开关状态”判别，通过单独的为每一个传感单元设定相应的信号阈值，来判断传感单元处于“空闲状态”或者“工作状态”。
5.根据权利要求1所述的基于神经网络的步态相位识别方法，其特征在于：所述步骤d基于多层感知器神经网络算法，建立步态相位识别模型，进行步态相位识别。基于多层感知器神经网络算法，建立步态相位识别模型，进行步态相位识别；其中，输入矢量是由压力传感信号构成的输入层，矢量维度为16，输出矢量是由步态相位类别构成的输出层，输出矢量大小——步态相位类别数量为6；定义了训练集识别正确率和步态相位识别正确率来量化评估模型的识别结果。
6.根据权利要求1所述的基于神经网络的步态相位识别方法，所述步骤e的步态数据集的建立：建立来自四名实验参与对象，在八组不同步态运动速度设定下的足底压力实验数据集；步态数据是从站立状态开始记录，在站立切换到指定步态运动速度的过程中的步态信号，不属于有效信号，在开展步态相位分类之前，需要对数据集进行了初步整理，考虑有效的运动步态信号将预备动作期间——从站立状态进入到指定步行速度期间的信号，从数据集中移除，留下稳定运动状态下的步态数据信息。
7.根据权利要求1所述的基于神经网络的步态相位识别方法，其特征在于：所述步骤f多运动模式步态相位识别。采用交叉验证方法全面训练与验证步态相位识别模型，并验证模型的表现能力；测试者的步态数据集，按照“3+1”的比例划分成两组；每一次训练步态相位识别模型时，其中三个参与者的步态数据被用作训练集，进行步态相位识别模型的训练，第四个参与者的步态数据被用作模型识别步态相位的测试集合，四次循环即可遍历所有数据；在训练过程中，三个参与者的步态数据被进一步按照“70:15:15”的比例划分成Training，Validation，Testing数据集，分别用于网络的训练和机器学习训练过程的控制；步态相位识别神经网络使用MATLAB的工具箱nprtool进行训练。
CN202110881416.9A 2021-08-02 2021-08-02 基于神经网络的步态相位识别方法 Pending CN114038005A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110881416.9A CN114038005A (zh) 2021-08-02 2021-08-02 基于神经网络的步态相位识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110881416.9A CN114038005A (zh) 2021-08-02 2021-08-02 基于神经网络的步态相位识别方法

Publications (1)

Publication Number Publication Date
CN114038005A true CN114038005A (zh) 2022-02-11

Family

ID=80134324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110881416.9A Pending CN114038005A (zh) 2021-08-02 2021-08-02 基于神经网络的步态相位识别方法

Country Status (1)

Country Link
CN (1) CN114038005A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115227238A (zh) * 2022-08-04 2022-10-25 河北工业大学 一种基于可穿戴应变传感器的步态识别系统及其搭建方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115227238A (zh) * 2022-08-04 2022-10-25 河北工业大学 一种基于可穿戴应变传感器的步态识别系统及其搭建方法

Similar Documents

Publication Publication Date Title
CN110916679B (zh) 一种人体下肢位姿步态检测装置及方法
CN110811553B (zh) 一种用于负重外骨骼助力效率的检测方法
CN105286874A (zh) 一种用于预测老年人跌倒风险的系统及方法
CN109480857B (zh) 一种用于帕金森病患者冻结步态检测的装置及方法
CN206836390U (zh) 一种智能鞋垫监测系统
CN105125216A (zh) 一种基于足底压力的步态检测系统
CN106166071A (zh) 一种步态参数的采集方法及设备
CN108338447B (zh) 一种带足部信息采集及压力测量系统运动鞋
TW201325659A (zh) 人體下肢力學行為評估系統與方法
CN109567812B (zh) 基于智能鞋垫的步态分析系统
CN108814617A (zh) 冻结步态识别方法和装置及步态检测仪
CN111957024A (zh) 一种基于云平台的可穿戴式太极运动步态评测与训练系统
CN114038005A (zh) 基于神经网络的步态相位识别方法
CN206714216U (zh) 一种贴附于各类足球鞋的智能数据采集系统
CN105901823A (zh) 一种测量体重的方法、装置及智能鞋
CN111001144A (zh) 骑乘姿势分析系统与方法
CN109924981A (zh) 一种高弓足检测系统及方法
Bhongade et al. Machine learning-based gait characterization using single IMU sensor
Zeng et al. Validity and reliability of inertial measurement units measurements for running kinematics in different foot strike pattern runners
CN108742612A (zh) 基于肌电标志物的dbs有效性检测设备
CN106913342A (zh) 一种基于光纤光栅和压力传感器的步态测试系统和方法
CN210697637U (zh) 一种检测步行时足底三轴力的传感器
Wang et al. A New Hidden Markov Model Algorithm to Detect Human Gait Phase Based on Information Fusion Combining Inertial with Plantar Pressure.
Shanthini et al. Interpretation of Gait Supervising Mechanism Using Sensor Integrated Makeshift and Analysing Pattern by K-Means Clustering Algorithm
CN209609993U (zh) 一种基于压电传感元件的脚底压力时序采集装置

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