CN115886795A - 一种用于下肢助力外骨骼系统的地形坡度预测方法 - Google Patents

Abstract

一种用于下肢助力外骨骼系统的地形坡度预测方法，包括：采集双侧大小腿、足底的惯性测量单元(IMU)数据和足底压力传感器数据；进行步态周期划分、滤波和归一化处理；训练CNN‑LSTM模型；使用最优模型对测试人员的行进坡度进行实时预测。本发明可实现地形环境坡度预测的精度，且在动态响应指标上会有跨越性的提高，易实现。

Description

一种用于下肢助力外骨骼系统的地形坡度预测方法

技术领域

本发明属于地形坡度预测技术领域，特别是一种用于下肢助力外骨骼系统的地形坡度预测方法。

背景技术

外骨骼机器人是由人体穿戴和控制的具有人机融合智能特征的典型装备，可降低士兵负重行走时的代谢能耗，减轻下肢关节损伤，提高其负重行走执行任务的能力。然而统计数据表明，真正走向战场应用的外骨骼机器人仍不多见，究其原因，一方面是轻质高效的外骨骼机器人仍有待开发，以克服稳定性差、动力不足等缺点；另一方面下肢多关节外骨骼对正常人体约束较大，行走灵活性受限。从工作机理上来看，单关节外骨骼机器人通过强耦合将辅助力作用于肢体，具有整体重量轻、穿戴性强、工作时间长等优势，实验研究表明，膝关节外骨骼可以降低上坡和负重行走时的代谢成本。

研究表明外骨骼助力参数直接决定了穿戴者舒适度和助力效果，而地形环境是影响外骨骼运动模式和助力大小的关键因素之一，其中，斜坡(包含上下楼梯)是外骨骼助力效果最显著的地形。在倾斜行走过程中，随着坡度的增加，膝关节关节力矩也随之增加，因此，为了在不同坡度下保持外骨骼助力性能最优，需要根据地面坡度主动调节外骨骼的助力水平。然而，现有研究仅在静态斜坡下进行评估，尚未探索动态斜坡设置的可能性。因此，如果将外骨骼应用于实际环境，如坡度动态变化的山地地形，就需要一种能够适应不同地形的高可靠坡度预测方法来动态调节外骨骼辅助力矩。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种用于下肢助力外骨骼系统的地形坡度预测方法，可实现地形环境坡度预测的精度，且在动态响应指标上会有跨越性的提高，易实现。

本发明的技术解决方案是：

一种用于下肢助力外骨骼系统的地形坡度预测方法，包括：

1)采样获得人员坡度行进过程中的运动数据；

2)根据步态周期，将获得到的运动数据切分处理，获得每个步态周期对应的运动数据；

3)分别对每个步态周期的运动数据进行滤波处理，获得滤波后的步态数据；

4)对滤波后的步态数据进行归一化处理，获得归一化数据；

5)按运动数据的采样位置，选取归一化数据组成不同的数据组合方案；

6)搭建CNN-LSTM算法模型，任选同一数据组合方案中一定比例数据作为训练数据集，并将同一数据组合方案中的剩余数据作为测试数据集；利用CNN-LSTM算法模型解算获得不同数据组合方案对应的q个预测角度；预测角度的个数q等于测试数据集的数据量个数；

7)利用每个数据组合方案对应的q个预测角度，分别获得每个数据组合方案中预测角度的均方误差、均方根误差、可释方差值、平均绝对误差和决定系数的平均值；

8)获得平均值较小的数据组合方案对应的CNN-LSTM算法模型作为最优模型；

9)使用最优模型对测试人员的行进坡度进行实时预测。

优选地，所述运动数据包括：角速度、角加速度、角度以及足底压力。

优选地，所述运动数据使用惯性测量单元和压力传感器获得。

优选地，人员两侧的大腿、小腿和足底上分别固定安装有一个惯性测量单元，使用惯性测量单元获得三轴的角速度、角加速度、角度；其中，三轴中X轴正向沿着矢状面水平向前，Y轴正向垂直矢状面从外向内，Z轴正向沿着矢状面竖直向上。

优选地：人员的每只足底分别安装有四个压力传感器。

优选地，所述滤波处理的方法，具体为：

采用Savitzky-Golay方法进行数据滤波得到滤波后的步态数据F_{X₂₆}_m，其中，m为步态周期的总数。

优选地，所述数据组合方案包括：方案一和方案二；

方案一中，选择左大腿、左小腿、右大腿和右小腿上的惯性测量单元获取沿着Y轴的角速度、角加速度、角度，总共12路腿部数据；

方案二中，选择足底上的惯性测量单元获取沿着X轴的角速度、角加速度、角度，以及两只足底上压力传感器获取的足底压力，总共14路足底数据。

优选地，方案一对应CNN-LSTM算法模型输入层为12*n，方案二对应CNN-LSTM算法模型输入层为+14*n，n为每个步态周期的采样点个数；

CNN-LSTM算法模型中的第一卷积层的核是(4，2)，输出维度是32*54*6，第二卷积层的核是(2，2)，输出维度是64*27*3；随后是LSTM层，输出维度是128；然后是dropout层，最后是两层全连接层。

优选地，均方误差的确定方法为：

其中，e_i为对应数据组合方案中预测角度与坡度真实值的差值。

优选地，均方根误差的确定方法为：

其中，e_i为对应数据组合方案中预测角度与坡度真实值的差值。

本发明与现有技术相比的优点在于：

本发明提出一种基于CNN-LSTM深度学习算法的坡度预测算法，能够实时得到地形坡度，满足外骨骼动态调节参数的需求。此外，外骨骼传感系统具有多源传感器，如惯性测量单元和足底压力传感器等，不同类型和数量的传感器也会对坡度预测的准确性产生影响，本发明在此算法的基础上，以实际测试的方法筛选出双侧大小腿IMU数据为最优传感器布局。

附图说明

图1为本发明方法传感器的布置与轴向示意图；

图2坡度预测模型；

图3为本发明一实施例中步态周期划分图；

图4Savitzky-Golay滤波前后对比；

图5CNN-LSTM模型；

图6为本发明方法流程图。

具体实施方式

下面通过对本发明进行详细说明，本发明的特点和优点将随着这些说明而变得更为清楚、明确。

外骨骼传感系统中力位传感器的安装位置如图1所示，获取I右大腿、II右小腿、III右足底、IV左足底、V左小腿、VI左大腿共六处惯性传感器(IMU)的角速度、角加速度、角度数据，以及足底压力采集鞋垫采集点的I脚掌足中区楔状骨、II脚掌足后区跟骨、III足前区小拇指趾骨末端、IV足前区大拇指趾骨前端四个压力点数据。

如图2所示，坡度预测方法的关键环节包括数据采集(输入数据)，数据处理和数据输出。数据处理分为三部分，首先对原始数据进行步态周期划分；然后，是对单个步态周期数据进行滤波，本发明采用Savitzky-Golay滤波方法对传感器数据进行滤波；最后，由于传感器采集的数据单位不同，量纲差异较大，会对感知结果产生严重影响，因此采用归一化方法来消除量纲差异的影响。

如图6所示，本发明一种用于下肢助力外骨骼系统的地形坡度预测方法，包括步骤如下：

步骤一，采集IMU惯性测量单元数据(角速度、角加速度、角度)和足底压力传感数据，IMU放置位置有6处，以右侧大腿IMU(编号I)数据为例，其三轴方向分别为X轴为沿着矢状面水平向前，Y轴为垂直矢状面从外向内，Z轴为沿着矢状面竖直向上，且每一轴包含角加速度a_II、角速度ω_II、角度θ_II共3维，9轴数据。足底压力采集鞋垫采集点不少于4个，通过AD采集后得到压力值F_{i,i＝1,2,3,4}。选择六个IMU的Y轴数据{a_Y,ω_Y,θ_Y}和左右足底压力数据F_i共3*6+2*4＝26路。

步骤二，根据步态周期划分方法切分数据，步态周期表示同一只脚从脚跟离地跨出到再次脚跟着地的过程。对人体下肢运动特点进行分析后发现，当下肢位于支撑相时，由于足底与地面相接触，为了维持身体的平衡，此时小腿绕矢状面的角速度相对平稳，只有在摆动相时会产生较大的变化。根据这一特征，选择小腿处IMU(编号II和V)进行步态周期划分，将26路IMU数据和足底压力数据切分成m个步态数据组{X_26,n}_m。其中，n为每个步态周期内采样点的个数。采样频率不低于100～200Hz。本发明一实施例中步态周期划分图如图3所示。

步骤三，对{X_26,n}_m数据采用Savitzky-Golay方法进行数据滤波得到滤波后的步态数据F_{X₂₆}_m，核心思想是采用多项式对一定长度的数据进行最小二乘拟合，得到平滑的数据，每5～12个采样点做一次拟合。具体算法中对于长度为M的数据X，M＝2m+1，通过k阶多项式对其进行拟合。对于最小二乘法，若要得到真值的最佳估计值，应使ε残差的平方和最小，即对k阶多项式各个系数的偏导均应等于0。引入辅助矩阵A，可得：

A^TAa＝A^TX

其中：

a＝[a⁰,a¹,…,a^k]^T，X＝[x(-m),x(-m+1),…,x(m)]^T

最终可得多项式系数：

a＝(A^TA)^-1A^TX

如图4所示，采用Savitzky-Golay滤波器滤波前后的信号对比，可以看出滤波后的信号较滤波前更平滑。

步骤四，由于传感器采集的加速度、角速度和足底压力信号单位不同，量纲差异较大，会对感知结果产生严重影响。为消除量纲差异的影响，对F_{X₂₆}_m进行归一化处理，得到均在[0,1]之间的数据U_{X₂₆}_m。

步骤五，由于不同地形坡度会影响人体下肢姿态和足底压力、足部姿态，因此以下肢双腿上4个IMU数据为一组作为方案一：选择左大腿LeftThigh(LT)、左小腿LeftShank(LS)、右大腿RightThigh(RT)和右小腿RightShank(RS)4个IMU沿着Y轴转动的12路腿部数据

作为模型输入值U_{X₁₂}_m；以足部足底压力和足底IMU沿着Y轴数据作为方案二：选择双足LeftFoot、RightFoot鞋垫的4轴压力和鞋垫沿着X轴转动的

共14路足部数据作为模型输入值U_{X₁₄}_m。

步骤六，如图5所示搭建CNN-LSTM算法模型，任选输入集数据的70％作为训练数据集U_{X₁₂}_p、U_{X₁₄}_p，余下30％作为测试数据集U_{X₁₂}_q、U_{X₁₄}_q，其中p+q＝m。构建人体IMU运动数据、足底压力数据与地形坡度映射关系，解算出实时运动过程中的环境坡度。CNN-LSTM算法模型输入层为12*n或14*n，n为每个步态周期的采样点的个数。本发明实施例中n≈110，110是步态周期均值。第一卷积层的核是(4，2)，输出维度是32*54*6，第二卷积层的核是(2，2)，输出维度是64*27*3；随后是LSTM层，输出维度是128；然后是dropout层，最后是两层全连接层，得到1维坡度预测结果。将测试集分别输入到训练好的CNN-LSTM模型中得到方案一的q个预测角度R1_1*q、方案二的q个预测角度R2_1*q，分别将预测角度与角度真实值相减，得到方案一对应的预测误差ei1、方案一对应的预测误差ei2。i∈[1,q]。

步骤七，用均方误差

均方根误差

可释方差值、平均绝对误差和决定系数五个指标评价R1和R2的预测精度，其中，e为e1或e2。获得每个方案对应MSE、RMSE、可释方差值、平均绝对误差和决定系数的平均值，获得平均值较小的方案对应的CNN-LSTM算法模型作为最优模型。

步骤八，使用最优模型对测试人员的行进坡度进行实时预测。

本发明的目的在于提出一种基于CNN-LSTM深度学习算法的外骨骼所在环境地形坡度的预测方法，用于助力外骨骼机器人调节控制系统参数。设置测试环境由0°开始逐次增加2°至14°结束，共8组实验数据。通过采集外骨骼系统的双侧大小腿、足底的惯性测量单元(IMU)数据和足底压力传感器数据，分析IMU数据中垂直于矢状面的角速度。对原始数据进行预处理，包括对数据进行步态周期划分，对划分后的单个步态周期数据进行Savitzky-Golay滤波，采用归一化方法来消除量纲差异的影响，形成多源传感信号数据集。使用多源传感信号数据集训练CNN-LSTM深度学习算法模型，并通过验证数据检测训练后模型的坡度预测精度。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (10)

1.一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于，包括：

1)采样获得人员坡度行进过程中的运动数据；

2)根据步态周期，将获得到的运动数据切分处理，获得每个步态周期对应的运动数据；

3)分别对每个步态周期的运动数据进行滤波处理，获得滤波后的步态数据；

4)对滤波后的步态数据进行归一化处理，获得归一化数据；

5)按运动数据的采样位置，选取归一化数据组成不同的数据组合方案；

6)搭建CNN-LSTM算法模型，任选同一数据组合方案中一定比例数据作为训练数据集，并将同一数据组合方案中的剩余数据作为测试数据集；利用CNN-LSTM算法模型解算获得不同数据组合方案对应的q个预测角度；预测角度的个数q等于测试数据集的数据量个数；

7)利用每个数据组合方案对应的q个预测角度，分别获得每个数据组合方案中预测角度的均方误差、均方根误差、可释方差值、平均绝对误差和决定系数的平均值；

8)获得平均值较小的数据组合方案对应的CNN-LSTM算法模型作为最优模型；

9)使用最优模型对测试人员的行进坡度进行实时预测。

2.根据权利要求1所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于，所述运动数据包括：角速度、角加速度、角度以及足底压力。

3.根据权利要求1所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于，所述运动数据使用惯性测量单元和压力传感器获得。

4.根据权利要求3所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于：人员两侧的大腿、小腿和足底上分别固定安装有一个惯性测量单元，使用惯性测量单元获得三轴的角速度、角加速度、角度；其中，三轴中X轴正向沿着矢状面水平向前，Y轴正向垂直矢状面从外向内，Z轴正向沿着矢状面竖直向上。

5.根据权利要求4所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于：人员的每只足底分别安装有四个压力传感器。

6.根据权利要求5所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于，所述滤波处理的方法，具体为：

采用Savitzky-Golay方法进行数据滤波得到滤波后的步态数据F_{X₂₆}_m，其中，m为步态周期的总数。

7.根据权利要求5所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于，所述数据组合方案包括：方案一和方案二；

方案一中，选择左大腿、左小腿、右大腿和右小腿上的惯性测量单元获取沿着Y轴的角速度、角加速度、角度，总共12路腿部数据；

方案二中，选择足底上的惯性测量单元获取沿着X轴的角速度、角加速度、角度，以及两只足底上压力传感器获取的足底压力，总共14路足底数据。

8.根据权利要求7所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于，方案一对应CNN-LSTM算法模型输入层为12*n，方案二对应CNN-LSTM算法模型输入层为+14*n，n为每个步态周期的采样点个数；

CNN-LSTM算法模型中的第一卷积层的核是(4，2)，输出维度是32*54*6，第二卷积层的核是(2，2)，输出维度是64*27*3；随后是LSTM层，输出维度是128；然后是dropout层，最后是两层全连接层。

9.根据权利要求1～8任意之一所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于，均方误差的确定方法为：

其中，e_i为对应数据组合方案中预测角度与坡度真实值的差值。

10.根据权利要求1～8任意之一所述的一种用于下肢助力外骨骼系统的地形坡度预测方法，其特征在于，均方根误差的确定方法为：

其中，e_i为对应数据组合方案中预测角度与坡度真实值的差值。

Images