CN116115217B - 一种基于深度网络的人体下肢步态相位估计方法 - Google Patents

Abstract

本发明公开一种基于深度网络的人体下肢步态相位估计方法，应用于外骨骼机器人领域，针对现有技术无法体现不同步态相位下人体的运动状态与人机耦合特性所存在得较大差异的问题；本发明通过惯性测量单元和足底力测量鞋采集不同体型下的健康人体在不同步频下的步态运动下的下肢双腿双关节实时角度、角速度和角加速度信息以及足底力信息，构建训练与测试数据集；根据所构建的数据集对深度神经网络进行训练，从而根据训练完成的深度神经网络实时估计当前人机耦合系统的步态相位。

Description

一种基于深度网络的人体下肢步态相位估计方法

技术领域

本发明属于外骨骼机器人领域，特别涉及一种下肢外骨骼步态相位划分技术。

背景技术

下肢外骨骼作为一种典型的可穿戴机器人，其作为一种特殊的机器人将人体强大的感知决策能力和机器人高负载、高强度和强动力等优势进行了有机互补。下肢外骨骼一般通过操作员穿戴为人机耦合系统来帮助行走障碍患者进行自主行走或增强人体力量以完成高强度任务。一般下肢外骨骼通过绑带等连接结构与人体下肢的相应位置进行捆绑连接，且外骨骼会跟随人体的实时运动意图或根据特定的控制目标进行运动。在机械结构部分多采用髋膝踝或髋膝结构，材料多为铝合金、碳纤维、钛合金等轻质量和高强度材料。作动单元多采用液压伺服系统、伺服电机等。而传感器系统则包含人机耦合力传感器、足底力传感器、关节编码器，甚至人体下肢肌电传感器和脑电传感器。下肢外骨骼需要通过分析人机耦合作用来实时感知人体当前运动意图与人机耦合特性，其中人体耦合作用一般分为物理人机耦合作用(physical human-robot interaction,pHRI)与认知人机耦合作用(cognitive human-robot interaction,cHRI)两类，分别是指人体与外骨骼通过物理交互和精神认知以及动作意向层面的耦合交互。此外，相较于上肢与部位外骨骼，下肢外骨骼的主要是任务是人机耦合步态任务，而步态具有较强的规律、协调和周期性，故人体的步态信息往往被用来作为下肢外骨骼的控制策略的设计依据。

当前的步态划分算法多进行步态阶段划分，如双足站立、左腿摆动右腿站立、右腿摆动左腿站立等，但在相同步态阶段内的不同相位下人机特性仍存在明显差异。

发明内容

为解决上述技术问题，本发明提出一种基于深度网络的人体下肢步态相位估计方法，考虑到步态的周期性和不同步态相位下人体的运动状态与人机耦合特性均存在较大差异，通过实时测量的人体下肢双腿髋膝双关节运动状态和足底力信息来估计人体实时步态相位，并根据不同步态相位下的人体运动特性和实时的步态相位估计结果来设计相应的控制算法架构与参数。

本发明采用的技术方案为：一种基于深度网络的人体下肢步态相位估计方法，包括：

S1、通过惯性测量单元和足底力测量鞋采集不同体型的健康人体在不同步频步态运动下的下肢双腿双关节实时角度、角速度和角加速度信息以及足底力信息，从而构建训练与测试数据集；

S2、将步态相位0％-100％等比例映射至角度区间(0-2π)，计算相应的正弦值与余弦值；

S3、构建深度神经网络；包括输入层、隐藏层、输出层；

S4、根据步骤S2计算的正弦值与余弦值设计深度神经网络模型的损失函数，并使用步骤S1的训练数据集进行深度神经网络训练；

S5、将人体下肢双腿双关节角度、角速度以及足底力输入训练完成的深度神经网络模型中，得到人体当前步态相位的估计值。

步骤S1所述双关节具体为髋关节和膝关节。

本发明的有益效果：本发明设计了一种基于深度神经网络的人体步态估计方法，采用惯性测量单元和足底力传感器来采集在不同体型健康成年人在不同步频下完成不同类型的周期性步态运动(步行、跑步、上下楼梯等)的下肢双腿髋膝双关节运动状态和足底力信息，并根据某个特定的步态事件(如左脚触地、右脚触地、左脚离地和右脚离地等)作为相位起点(0％)进行步态划分。此外，设计深度神经网络模型结构并采用所采集处理的数据集进行训练。区别于传统的步态划分方法中的阶段式划分，相位划分可以更加精确地估计实时步态相位，从而根据特定的人机耦合特性等先验信息来更加准确地设定相应的控制器结构与控制参数，从而有效提高人机耦合协同行走运动中外骨骼用户的穿戴舒适度并减缓人机耦合阻抗。

附图说明

图1本发明的深度神经网络模型结构示意图。

图2为本发明的方法流程图。

图3本发明涉及的足底力检测鞋示意图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

本实施例中以如图2所示的下肢外骨骼系统框图为例进行说明，本发明具体包括以下内容：

1、为了保证训练的深度神经网络模型的估计性能，数据采集实验的对象为不同体型(身高、体重、腿长、体脂率等)的健康成年人，测试的步态类型包括平地步行、慢跑、上下阶梯等传统步态运动项目，此外还包括骑自行车、轮滑等特殊步态运动项目，在各个步态项目中采用不同步频来进行多次实验。

实验过程中，采用IMU(Inertial Measurement Unit，惯性测量单元)和足底力测试鞋来分别测量人体下肢双腿髋膝双关节运动状态信息(关节角度、关节角速度和关节角速度等)和足底力信息。

为了准确测量在人体行走过程中的人体下肢双腿双关节运动状态信息，通过将5个IMU传感器分别采用具有松紧性的尼龙绑带固定在人体的腰部后侧，左右腿的大腿臂前侧和下腿臂前侧。传感器的型号为395695A-Y86，其在俯仰角的测量精度为0.5度，采样率为200Hz，通信速率为1MB/s。为了保证各个IMU的时间一致性，将其统一挂在同一条CAN总线上，并通过硬件控制器(STM32F407)来实时计算并记录姿态信息。

如附图3所示，为了准确地感知人体的步态相位信息并分析人体在行走过程中人体足底的受力分布情况，足底力测试鞋分别在脚掌的第一跖骨、第四跖骨和足跟部位(S1、S2、S3)来安装足底压力传感器Model-1021来测量相应位置的足底压力分布信息，其中传感器的测量量程均为500N，综合测量精度为0.5％。根据步态运动中的特定步态事件(如左脚触地等)作为一个完整步态的起始与终止点将步态数据等比划分为0％-100％。将上述数据处理整合为人体步态相位划分数据集，其中按照6:1的比例划分训练集与测试集。

2、根据附图1所示，根据深度神经网络的万能逼近原理，采用深度神经网络模型来根据人体实时步态信息来估计当前的步态相位。首先，根据模型场景构建出深度神经网络结构，包括输入层、隐藏层、输出层，其中输入层的输入向量X∈R¹⁸包含18维输入，分别为左腿髋关节角度q_h,l、左腿髋关节角速度左腿髋关节角加速度右腿髋关节角度q_h,r、右腿髋关节角速度右腿髋关节角加速度左腿膝关节角度q_k,l、左腿膝关节角速度左腿膝关节角加速度右腿膝关节角度q_k,r、右腿膝关节角速度右腿膝关节角加速度左脚第一跖骨处足底压力F_S1,l、左脚第四跖骨处足底压力F_S2,l、左脚足跟处足底压力F_S3,l、右脚第一跖骨处足底压力F_S1,r、右脚第四跖骨处足底压力F_S2,r、右脚足跟处足底压力F_S3,r，即

根据附图1所示，深度神经网络模型设置1个隐藏层，隐藏层节点数设置为200个节点，其中每个隐藏节点的值y_j根据下式计算

其中ω_i,j表示输入向量X的第i个元素与第j个隐藏节点之间的连接增益，b_j表示第j个隐藏节点偏置，φ表示隐藏节点的激活函数，其采用Sigmoid函数，即

深度神经网络模型的输出层包括两个节点，输出向量被表示为σ＝[σ₁,σ₂]^T，其根据下式计算

j＝1和2，

其中，表示第i个隐藏节点与第j个输出节点之间的连接增益，表示第j个隐藏节点偏置，输出层不采用激活函数。

3、考虑到人体的行走、跑步、登梯等典型步态运动都是存在特定周期的周期性运动，即在当前的步态状态与相应的步态周期后的步态状态相同。因此为了不打破人体运动步态的周期特性，即针对于任意的步态相位α％，存在式P(α％)＝P(α％+100％)＝P(α％-100％)成立，其中P(x％)表示在相位x％的人体下肢双腿双关节角度、角速度等运动状态。类比角度的正余弦函数的周期性，即sin(θ)＝sin(θ+2π)，cos(θ)＝cos(θ+2π)。因此，将步态相位α％等比映射至角度区间(0,2π]得到相应等效角度β，即β＝α×2π/100。

根据设计的深度神经网络模型结构，相应的训练惩罚函数被设计为：

即希望深度神经网络模型输出σ₁和σ₂与实际的等效角度β所对应的正弦值sin(β)与余弦值cos(β)成等比例关系，因此在设计训练惩罚函数时采用和来保证角度的正余弦值的约束特性。

在实际模型部署过程中，对应的步态相位等效角度β根据下式计算得出

根据步态相位α％和相应的等效角度β之间的映射关系，因此根据下式将β转换为相应的步态相位α％，即

α＝β×100/2π。

深度神经网络模型的训练结束条件设定为当前模型在验证集上的效果达到要求或训练的轮次达到设定的训练上限。

4.在实际的下肢外骨骼人机耦合协同运动任务中，可以采用训练好的深度神经网络模型实时估计当前人机耦合系统的步态相位。根据已知的人体在不同步态相位下的人体运动特征以及人机耦合特征来实时调整下肢外骨骼的控制算法结构与控制参数，从而有效提高人机耦合协同行走运动中外骨骼用户的穿戴舒适度并减缓人机耦合阻抗。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。

Claims (1)

1.一种基于深度网络的人体下肢步态相位估计方法，其特征在于，包括：

S1、通过惯性测量单元和足底力测量鞋采集不同体型的健康人体在不同步频步态运动下的下肢双腿双关节实时角度、角速度和角加速度信息以及足底力信息，从而构建训练与测试数据集；

S2、将步态相位0％-100％等比例映射至角度区间(0-2π)，计算相应的正弦值与余弦值；

S3、构建深度神经网络；包括输入层、隐藏层、输出层；

深度神经网络输入层的输入向量表示为：

其中，q_h,l为左腿髋关节角度，为左腿髋关节角速度，为左腿髋关节角加速度，q_h,r为右腿髋关节角度，为右腿髋关节角速度，为右腿髋关节角加速度，q_k,l为左腿膝关节角度，为左腿膝关节角速度，为左腿膝关节角加速度，q_k,r为右腿膝关节角度，为右腿膝关节角速度，为右腿膝关节角加速度，F_S1,l为左脚第一跖骨处足底压力，F_S2,l为左脚第四跖骨处足底压力，F_S3,l为左脚足跟处足底压力，F_S1,r为右脚第一跖骨处足底压力，F_S2,r为右脚第四跖骨处足底压力，F_S3,r为右脚足跟处足底压力；

深度神经网络隐藏层包括200个隐藏节点，隐藏节点的值y_j根据下式计算

其中ω_i,j表示输入向量X的第i个元素与第j个隐藏节点之间的连接增益，b_j表示第j个隐藏节点偏置，φ表示隐藏节点的激活函数，φ采用Sigmoid函数；

深度神经网络输出层包括两个节点，输出向量表示为σ＝[σ₁,σ₂]^T，σ₁,σ₂根据下式计算：

其中，表示第i个隐藏节点与第j个输出节点之间的连接增益，表示第j个隐藏节点偏置；

S4、根据步骤S2计算的正弦值与余弦值设计深度神经网络模型的损失函数，并使用步骤S1的训练数据集进行深度神经网络训练；

深度神经网络训练过程中的惩罚函数设计为：

其中，β为将步态相位0％-100％等比例映射至角度区间(0-2π)的等效角度；β根据下式计算得出

根据下式将β转换为相应的步态相位α％，即

α＝β×100/2π；

S5、将人体下肢双腿双关节角度、角速度以及足底力输入训练完成的深度神经网络模型中，得到人体当前步态相位的估计值。