CN116502066A - 一种基于bp神经网络的外骨骼摆动周期预测系统及方法 - Google Patents
一种基于bp神经网络的外骨骼摆动周期预测系统及方法 Download PDFInfo
- Publication number
- CN116502066A CN116502066A CN202310365234.5A CN202310365234A CN116502066A CN 116502066 A CN116502066 A CN 116502066A CN 202310365234 A CN202310365234 A CN 202310365234A CN 116502066 A CN116502066 A CN 116502066A
- Authority
- CN
- China
- Prior art keywords
- feature
- neural network
- vector
- prediction
- period
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 205
- 238000000605 extraction Methods 0.000 claims abstract description 61
- 230000009467 reduction Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000005021 gait Effects 0.000 claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 210000002414 leg Anatomy 0.000 claims description 78
- 230000001133 acceleration Effects 0.000 claims description 67
- 238000005259 measurement Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 31
- 210000004394 hip joint Anatomy 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 27
- 210000000689 upper leg Anatomy 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 244000309466 calf Species 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 13
- 230000005484 gravity Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 230000036961 partial effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000002829 reductive effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 210000001624 hip Anatomy 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 101000911772 Homo sapiens Hsc70-interacting protein Proteins 0.000 claims description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims 2
- 238000010276 construction Methods 0.000 abstract description 3
- 238000012790 confirmation Methods 0.000 abstract 1
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J17/00—Joints
- B25J17/02—Wrist joints
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/0006—Exoskeletons, i.e. resembling a human figure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/0499—Feedforward networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于它包括摆动周期的提取与选择单元和BP神经网络预测模型单元两部分；通过数据采集、降维、相关性分析、摆动周期提取、建立模型、确定评价指标及特征向量维度、排除结果差异、验证集确认、BP神经网络预测模型搭建、训练和验证等完成对外骨骼摆动周期的预测；该方案结合BP神经网络，通过BP神经网络对运动数据进行识别判断，并预测下一步的步态信息，解决在变速运动状态下难以实时获得下一步摆动周期的问题；鲁棒性好，且有效地提高步态识别的准确度，提高了对人体步行预测的准确性，助力效果佳。
Description
(一)技术领域：
本发明属于机器人相关技术领域，是一种基于BP(Back Propagation，反向传播)神经网络的外骨骼摆动周期预测系统及方法。
(二)背景技术：
刚性下肢可穿戴外骨骼机器人作为一种与穿戴者相融合的机电一体化设备，可以帮助军人、救援队在恶劣环境中克服行走障碍，助力军队行走，其在军事、攀登等领域发挥着巨大的作用。而其在助力过程中对穿戴者进行准确及时的步态识别与步态周期预测对于实现安全、可靠、高效的助力是至关重要的。
人工神经网络(Artificial Neural NetWork,ANN)，它是现今最火热的人工智能研究方向深度学习的基础。人工神经网络以其独特的网络结构和处理信息的方法，在自动控制领域、组合优化问题、模式识别、图像处理、自然语言处理等诸多领域，己经取得了辉煌的成绩。深度学习是基于神经网络发展起来的技术，而神经网络的发展具有悠久的历史，且发展历程可谓一波三折。如今，历经两次潮起潮落后，神经网络迎来了它的第三次崛起。利用神经网络，能够使可穿戴外骨骼机器人对人体行走情况进行快速、大量和准确的分析，故其在运动识别方面占比越来越重。
现有的外骨骼摆动周期预测的方法有基于长短期记忆神经网络(Long Short-Term Memory，LSTM)和线性判别分析(LDA，Linear Discriminant Analysis)和12个肌电传感器对运动模式进行识别等方法均可提升步态识别的准确度，但是这些方法均需要使用大量的传感器，十分影响能量消耗、计算成本和算法实现的复杂性。
如何利用神经网络技术使刚性外骨骼机器人发挥更大的作用，是目前亟需解决的问题。
(三)发明内容：
本发明的目的在于提供一种基于BP神经网络的外骨骼摆动周期预测系统及方法，它可以克服现有技术的不足，是一种结构简单、容易实现且鲁棒性好的人形识别网络模型建立及使用系统及方法。
本发明的技术方案：一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于它包括摆动周期的提取与选择单元和BP神经网络预测模型单元两部分；其中，所述摆动周期的提取与选择单元用于预测髋关节下一时刻摆动周期的特征向量组合；所述BP神经网络预测模型单元用于生成相应的助力曲线，解决在变速运动状态下难以实时获得下一步摆动周期的问题。
所述摆动周期的提取与选择单元是由助力相检测模块、时频域特征提取模块、特征降维模块和特征选择模块四部分构成；所述助力相检测模块用于检测穿戴者在行走过程中的一侧腿的摆动周期和非摆动周期；所述时频域特征提取模块用于实现信号的时频域特征提取；所述特征降维模块用于对时频域特征提取模块提取到时频域特征进行相关性分析，并将多个特征量减少为不相关的主变量；所述特征选择模块用于选择降维后的特征向量组合，并将其输入到BP神经网络预测模型单元。
所述时频域特征提取模块用于实现信号的时频域特征提取，具体是指将进行带通滤波处理后的信号、IMU(Inertial Measurement Unit，惯性测量单元)合加速度信号和9轴运动信息进行合并，之后完成每个信号的时域特征和频域特征的提取；所述时域特征的提取是指直接由时域信号图得到的有单位参数和无单位参数，符合实时性要求；所述频域特征是通过傅里叶变换得到信号的频谱，可以反映信号全局频率的分布规律。
所述有单位参数和无单位参数包括由时域信号图直接得到的最大值、最小值、绝对峰值、平均绝对幅值中的至少一个。
所述时域特征和频域特征的提取具体是利用小波分解，将带通滤波处理后的信号、IMU合加速度信号和9轴运动信息信号进行分解、卷积和采样操作，以提取各频带信号能量；所述带通滤波处理是指允许符合人体髋关节摆动频率的信号通过，对髋关节其余频率的信号进行有效抑制操作；所述9轴运动信息包括：分别由3个惯性测量单元IMU获取的大腿、小腿和脚的信息，并且每个惯性测量单元IMU又可得到该部位的X轴的角速度、加速度和磁强计信号、Y轴的角速度、加速度和磁强计信号、Z轴的角速度、加速度和磁强计信号。
所述特征选择模块是利用偏最小二乘法(Partial Least-Square，PLS)和非线性迭代算法，使特征降维模块的特征向量的输出变量矩阵最大限度地包含输入变量矩阵的原始信息，保证二者之间的相关性最大，非常适合寻找与摆动周期相关性最大的特征组合。
所述BP神经网络预测模型单元是由输入层、隐含层和输出层构成；其中所述输入层用于对经过特征降维模块降维后的特征向量，由模型预测结果的性能确定特征向量的维度；所述隐含层用于接收输入层的特征向量，且隐含层的每一个节点都含有输入层的每一个特征向量，其网络层数设置为10～20之间；所述输出层接收隐含层得到的结果，并根据输入层、隐含层和输出层之间的权重比例输出外骨骼的摆动周期。
所述输入层是由能够描述一个完整步态数据的特征向量所组成的结构，且由特征降维模块提供所需特征向量；所述隐含层是使用Sigmod函数作为非线性激活函数提供非线性变化过程的一层，用于将输入层的特征向量根据不同特征特点转化为10～20个节点的组合结构；所述输出层用于将隐含层得到的节点通过Purelin函数，并根据输入层、隐含层和输出层之间的权重比例，输出一个结果，此结果即为下一时刻外骨骼的摆动周期。
一种基于BP神经网络模型的外骨骼摆动周期预测方法，其特征在于它包括以下步骤：
(1)获取传感器数据，经过特征降维模块将数据转化为降维后的特征向量作为BP神经网络的输入信号，助力相检测模块用来进行步态周期的识别和采集健康者的运动信息，时频域特征提取模块用于实现信号的时频域特征提取，并通过两侧腿助力时刻结束的摆动周期的相关性分析和特征选择模块获得摆动周期预测的特征向量，从而完成对摆动周期的提取与选择；
(1-1)通过惯性测量单元IMU的传感器收集左右腿的大腿、小腿和脚上的传感器数据，以得到行走时X、Y、Z三轴的角速度信号数据、加速度数据和磁强计信号数据；
(1-2)将步骤(1-1)收集到的左腿和右腿的X轴角速度信号和髋关节角度进行带通滤波处理，得到带通滤波后的信号，即：左腿髋关节角度带通滤波信号、左腿角速度带通滤波信号、右腿髋关节角度带通滤波信号和右腿角速度带通滤波信号；
(1-3)将惯性测量单元IMU得到的左右腿的大腿、小腿和脚上行走数据合并，并将步骤(1-2)得到的带通滤波后的信号和路况识别时所计算出的布局在大腿及后背处的惯性测量单元IMU的合加速度ak相结合，最终得到30～40个信号通道源；
所述步骤(1-3)中的路况识别时所计算出的布局在大腿上的一个及后背处的两个惯性测量单元IMU的合加速度ak(k＝1，2，3)计算方法如公式(1)所示：
其中，当k＝1时，aXk、aYk、aZk为大腿惯性测量单元IMU分别测得的X、Y、Z三个方向的加速度，当k＝2，3时，为后背处的两个惯性测量单元IMU分别测得的X、Y、Z三个方向的加速度，所得三个合加速度信号用于组成部分信号通道源；后背处惯性测量单元IMU用于检测人体的质心运动变化和测量质心重力方向加速度；
(1-4)利用时频域特征提取模块提取每个信号的时频域特征变量，并结合备选特征，即可得到1000～2000个维度的特征向量；
所述步骤(1-4)中的备选特征是髋关节伸展角度最大时刻的角速度斜率、髋关节角速度二次拟合系数、上一个步态的摆动周期、上一个步态的非助力相的时间、另一侧腿的摆动周期和非助力周期。本步骤中提到的特征向量的维度数量C计算方式为：将步骤(1-3)中得到的信号通道源的数量E乘以本步骤中时频域特征提取模块提取每个信号的时频域特征变量的数量F加上备选特征的数量G，如公式(2)所示；
C＝E*F+G (2)
(1-5)降维和选择特征向量：设定主成分数量W，将步骤(1-4)所得的特征向量通过特征降维模块，计算出特征向量之间的相关系数，进行相关性分析后，选择出相关系数r大于0.5的特征向量作为备选特征向量组，相关系数r小于0.5的特征向量则舍去；最终使步骤(1-4)所提到的特征向量的维度减少至500～1000个，并将降维后的备选特征向量组利用特征选择模块中的偏最小二乘法和非线性迭代算法，寻找与摆动周期相关性最大的特征组合，以完成摆动周期的特征向量提取与选择，最终得到的W个主成分将作为输入全部参与到BP神经网络模型预测中；
所述步骤(1-5)具体是由以下步骤构成：
(1-5-1)设定主成分数量，记为W，为选择与摆动周期相关的特征向量作为BP神经网络输入向量，引入用以反映自变量与因变量之间的相关程度的统计指标——相关系数r，由公式(3)得到相关性分析中的相关系数r；
式中，向量P为步骤(1-4)得到的特征向量，向量Q是由离线计算的真实摆动周期生成的向量；r为向量P与向量Q的相关系数，Cov(P,Q)为向量P与向量Q的协方差，Var[P]为向量P的方差，Var[Q]为向量Q的方差；
(1-5-2)根据步骤(1-5-1)计算得到的r，将r大于0.5的特征向量输出，并作为PLS的输入，去除r小于等于0.5的特征向量，利用公式(4)构造了变量t1和u1，便于分离主成分；
式中，R为标准化后的特征向量矩阵，S为标准化后的摆动周期向量，t1和u1应尽可能地分别反映R和S的信息且t1和u1需尽可能相关，利用t1和u1的最大协方差，如公式(5)所示，构造如公式(6)所示的拉格朗日函数：
式中，λ1、λ2分别为拉格朗日系数；
对公式(6)中的拉格朗日函数的变量求偏导数，并令其为0，则可得到公式(7-1)和公式(7-2)：
Cov(t1,u1)＝2λ1＝2λ2 ＝θ (7-1)
由公式(7-2)的解即可得到t1为标准化后的单位特征向量，记作第一主成分；
(1-5-3)重复步骤(1-5-1)和(1-5-2)，直到设定的主成分数量W计算完为止，即循环W次，第j次循环计算可以得到标准化的单位特征向量tj，即第j主成分tj(j＝2,3,4......,W)，每次得到一个主成分后便进行下一次循环，最终能得到W个主成分，并将W个主成分作为输入全部参与到BP神经网络模型预测中。
(2)根据步骤(1)中提取到的特征向量数据，搭建BP神经网络预测模型：
(2-1)确定模型的评价指标：
利用如公式(8)所示的决定系数R2计算公式反映预测模型的回归拟合程度，其值越大表示拟合程度越好，决定系数R2越接近1表示预测模型越稳定，预测性能也就越优；
式中，C、a、N分别代表网络预测值、真实值、样本预测个数；
同时，利用如公式(9)所示的均方误差MSE(Mean-Square Error)反映预测的助力周期与真的助力周期之间的偏差，其值越小表示预测效果越好；良好的训练模型和验证模型对应的均方误差MSE的值较低，其对应的决定系数R2越接近于1；
(2-2)确定二次降维后特征向量的数量：将步骤(1-5)中降维后的特征向量进行相关性计算(实施例中是576个特征向量)，并将得到的相关系数从高到底依次排序，利用BP神经网络从排序靠前的第一个特征向量开始训练网络模型，结束后逐步增加下一个特征向量开始进行下一轮训练，直到特征向量均参与网络训练；
(2-3)排除BP神经网络结构不同带来的结果差异：当步骤(2-2)中二次降维后特征向量的数量小于10，即这些特征向量可以代表行走规律，则直接将这些特征输入到BP神经网络，而当特征向量数量大于10时，则需利用步骤(1-5)得到W个主成分，并将W个主成分输入到相同的BP神经网络结构，每增加一个特征数量则随机生成一个新的权重，再重新训练网络，由此即可得到不同特征向量数目的多组验证集；
(2-4)确定验证集：分别计算步骤(2-1)中的决定系数R2和均方误差MSE，其中，公式(9)中，上一步态的均方误差为直接使用上一步态的摆动周期时间的均方误差，公式(8)中，上一步态的决定系数为直接使用上一步态的摆动周期时间的决定系数，通过增加输入到BP神经网络的二次降维后特征向量的数量，并观察BP神经网络预测结果的决定系数R2和均误方差MSE的分布情况，可以得到以下结果：当BP神经网络预测结果的决定系数R2减小至稳定的范围，均方误差MSE增大至稳定的范围，此时特征向量与真实的输出向量之间的相关系数在0.8左右，且确定特征向量的数目为K个，将这K个特征向量作为参与摆动周期预测的一组特征向量；利用大腿上的IMU收集左右腿X轴、Y轴角速度带通滤波后的频率、后背处的IMU采集人体质心重力方向加速度，则可得到行走步态的变化情况；
在步骤(2-4)中最终确定参与摆动周期预测的一组特征向量；利用大腿、小腿、脚和后背处的惯性测量单元IMU收集参与摆动周期预测的一组特征向量的K项数据，在四种不同实验条件下分别重复上述操作80～200次，可以得到320～800组，将每组特征向量中的数据记作一个样本，能够获得320～800组样本，最后把320～800组样本放入到BP神经网络预测模型中进行训练与验证；
所述四种不同实验条件具体是指：穿戴者在水平地面进行匀速或变速行走、上楼梯、上坡这四种运动模式。
所述步骤(2-4)中的摆动周期与信号通道的频率有关，且参与摆动周期预测的特征向量包括对侧腿刚结束的助力周期、助力腿上一个助力周期、助力腿髋关节角度的平均频率、对侧腿髋关节角度的平均频率、助力腿IMU的X轴角速度的平均频率、助力腿IMU的X轴角速度带通滤波后的平均频率、助力腿IMU合加速度的平均频率、对侧腿IMU的X轴角速度平均频率、对侧腿IMU合加速度的平均频率、助力开始前助力腿IMU的X轴角速度带通滤波后的频率、人体质心重力方向加速度的平均频率、人体质心重力方向加速度的最小值、对侧腿IMU的X轴角速度带通滤波后的平均频率、人体质心重力方向加速度的下四分位数、人体质心重力方向加速度的标准差、人体质心合加速度的平均频率、助力腿IMU的Y轴加速度的平均频率、对侧腿IMU的Y轴加速度的平均频率、助力腿髋关节角度的小波奇异嫡、助力腿髋关节角度的小波嫡。
(2-5)BP神经网络预测模型搭建：BP神经网络具有输入层、隐含层与输出层；预测模型的输入层为步骤(2-4)所得到的特征向量，隐含层使用Sigmod函数作为非线性激活函数，提供非线性变化过程，则隐含层第i个神经元输出可表示为公式(10)：
hi＝Sig(wxixi+bi) (10)
式中，wxi为输入层与隐含层之间的权值，xi为特征向量第i个特征，bi为网络输入层与输出层之间的权重；
其中，隐含层的节点数由公式(11)决定：
式中，[*]表示取整，m,n,l分别为隐含层的节点数、输入层节点数、输出层节点数；c取1～10之间的整数，实施例中的实际模型搭建中n＝20，l＝1，m＝13；
BP神经网络预测模型绝对误差(error)计算公式(12)如下:
其中，|*|表示取绝对值，p与a分别代表网络预测值与真实值；绝对误差作为BP神经网络模型预测效果的评价指标之一，error的值越小，则表示BP神经网络预测模型得到的外骨骼摆动周期预测值与外骨骼摆动周期的真实值相差越小，证明BP神经网络预测模型的精度越高。
(2-6)BP神经网络模型进行训练和验证：利用PC上位机的MATLAB环境进行BP神经网络离线训练，采用贝叶斯规则的trainbr的训练函数，利用Levenberg-Marquardt算法进行修正；选取经步骤(2-4)得到的320～800组样本的前80％并打乱顺序作为训练集输入神经网络，剩下的20％按照采集的样本顺序作为测试集；设置目标误差、学习率、训练次数，采用绝对误差、均方误差和决定系数作为BP神经网络模型预测效果的评价指标，最终得到对外骨骼摆动的周期预测，进而生成下一时刻的助力曲线；若在外骨骼穿戴者的实际测量步行数据计算得到的步行比A在0.0040-0.0079之间，则证明BP神经网络的训练效果良好；若其步行比A高于0.0079或者低于0.0040，则需调整相应训练函数的参数，直到计算出不同穿戴者的步行比A都趋于一个稳定的范围时，表明BP神经网络的训练和修正效果良好，说明外骨骼的助力效果也是好的。
所述步骤(2-6)中步行比A是指穿戴者行走时步长D(单位：m)与步频M(单位：steps/min)的比值，如公式(13)所示；其中步长是髋关节的最大屈曲角θmax和最小屈曲角θmin的差值乘以穿戴者的腿长L，步长计算公式(14)如下；
D＝L(θmax-θmin) (14)
本发明的工作原理：在外骨骼对人体进行助力时，常常需要对人体的下一步行动进行预测，利用BP神经网络对IMU获取的穿戴者上一步运动数据进行特征降维、提取和选择，经过其输入层、隐含层和输出层，得到满足绝对误差、均方误差范围内的摆动周期的预期数值，并结合路况识别结果计算外骨骼的助力周期。
本发明的优越性：将外骨骼机器人和BP神经网络相结合，通过BP神经网络对IMU传感器获取的人体上一步运动数据进行识别判断，从而预测佩戴者下一步的步态信息，凭借提取外骨骼佩戴者上一步的运动信息特征，解决在变速运动状态下难以实时获得下一步摆动周期的问题；该方法利用了神经网络与外骨骼技术的结合，鲁棒性好，可以有效地提高步态识别的准确度，提高了对人体步行预测的准确性，并能生成相应的助力曲线，从而使外骨骼机器人根据佩戴者当前步态信息确定助力参数，达到最优助力效果，提升外骨骼机器人的助力效果，对穿戴者行走提供助力。
(四)附图说明：
图1为本发明所涉一种基于BP神经网络的外骨骼摆动周期预测方法中的摆动周期的特征提取流程图。
图2为本发明所涉一种基于BP神经网络的外骨骼摆动周期预测方法中的BP神经网络的结构图。
(五)具体实施方式：
实施例：一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于它包括摆动周期的提取与选择单元和BP神经网络预测模型单元两部分；其中，所述摆动周期的提取与选择单元用于预测髋关节下一时刻摆动周期的特征向量组合；所述BP神经网络预测模型单元用于生成相应的助力曲线，解决在变速运动状态下难以实时获得下一步摆动周期的问题。
如图1所示：所述摆动周期的提取与选择单元是由助力相检测模块、时频域特征提取模块、特征降维模块和特征选择模块四部分构成；所述助力相检测模块用于检测穿戴者在行走过程中的一侧腿的摆动周期和非摆动周期；所述时频域特征提取模块用于实现信号的时频域特征提取；所述特征降维模块用于对时频域特征提取模块提取到时频域特征进行相关性分析，并将多个特征量减少为不相关的主变量(实施例中为1组不相关的主变量)；所述特征选择模块用于选择降维后的特征向量组合，并将其输入到BP神经网络预测模型单元。
所述时频域特征提取模块用于实现信号的时频域特征提取，具体是指将进行带通滤波处理后的信号、IMU合加速度信号和9轴运动信息进行合并，之后完成每个信号的时域特征和频域特征的提取；所述时域特征的提取是指直接由时域信号图得到的有单位参数和无单位参数，符合实时性要求；所述频域特征是通过傅里叶变换得到信号的频谱，可以反映信号全局频率的分布规律。
所述有单位参数和无单位参数包括由时域信号图直接得到的最大值、最小值、绝对峰值、平均绝对幅值中的至少一个。
所述时域特征和频域特征的提取具体是利用小波分解，将带通滤波处理后的信号、IMU合加速度信号和9轴运动信息信号进行分解、卷积和采样操作，以提取各频带信号能量；所述带通滤波处理是指允许符合人体髋关节摆动频率的信号通过，对髋关节其余频率的信号进行有效抑制操作；所述9轴运动信息包括：分别由3个惯性测量单元IMU获取的大腿、小腿和脚的信息，并且每个惯性测量单元IMU又可得到该部位的X轴的角速度、加速度和磁强计信号、Y轴的角速度、加速度和磁强计信号、Z轴的角速度、加速度和磁强计信号。
所述特征选择模块是利用偏最小二乘法和非线性迭代算法，使特征降维模块的特征向量的输出变量矩阵最大限度地包含输入变量矩阵的原始信息，保证二者之间的相关性最大，非常适合寻找与摆动周期相关性最大的特征组合。
如图2所示：所述BP神经网络预测模型单元是由输入层、隐含层和输出层构成；其中所述输入层用于对经过特征降维模块降维后的特征向量，由模型预测结果的性能确定特征向量的维度；所述隐含层用于接收输入层的特征向量，且隐含层的每一个节点都含有输入层的每一个特征向量，其网络层数设置为10～20之间(实施例中选择13)；所述输出层接收隐含层得到的结果，并根据输入层、隐含层和输出层之间的权重比例输出外骨骼的摆动周期。
所述输入层是由能够描述一个完整步态数据的特征向量所组成的结构(实施例中是20个)，且由特征降维模块提供所需特征向量；所述隐含层是使用Sigmod函数作为非线性激活函数提供非线性变化过程的一层，用于将输入层的特征向量(实施例中是20个)根据不同特征特点转化为10～20个节点的组合结构(实施例中为13个)；所述输出层用于将隐含层得到的节点通过Purelin函数，并根据输入层、隐含层和输出层之间的权重比例，输出一个结果，此结果即为下一时刻外骨骼的摆动周期。
一种基于BP神经网络模型的外骨骼摆动周期预测方法，其特征在于它包括以下步骤：
(1)获取传感器数据，经过特征降维模块将数据转化为降维后的特征向量作为BP神经网络的输入信号，助力相检测模块用来进行步态周期的识别和采集健康者的运动信息，时频域特征提取模块用于实现信号的时频域特征提取，并通过两侧腿助力时刻结束的摆动周期的相关性分析和特征选择模块获得摆动周期预测的特征向量，从而完成对摆动周期的提取与选择；
(1-1)通过惯性测量单元IMU的传感器收集左右腿的大腿、小腿和脚上的传感器数据，以得到行走时X、Y、Z三轴的角速度信号数据、加速度数据和磁强计信号数据；
(1-2)将步骤(1-1)收集到的左腿和右腿的X轴角速度信号和髋关节角度进行带通滤波处理，得到带通滤波后的信号，即：左腿髋关节角度带通滤波信号、左腿角速度带通滤波信号、右腿髋关节角度带通滤波信号和右腿角速度带通滤波信号；
(1-3)将惯性测量单元IMU得到的左右腿的大腿、小腿和脚上行走数据合并，并将步骤(1-2)得到的带通滤波后的信号和路况识别时所计算出的布局在大腿及后背处的惯性测量单元IMU的合加速度ak相结合，最终得到30～40个信号通道源；
所述步骤(1-3)中的路况识别时所计算出的布局在大腿上的一个及后背处的两个惯性测量单元IMU的合加速度ak(k＝1，2，3)计算方法如公式(1)所示：
其中，aXk、aYk、aZk(当k＝1时)为大腿惯性测量单元IMU分别测得的X、Y、Z三个方向的加速度，(当k＝2，3时)为后背处的两个惯性测量单元IMU分别测得的X、Y、Z三个方向的加速度，所得三个合加速度信号用于组成部分信号通道源；后背处惯性测量单元IMU用于检测人体的质心运动变化和测量质心重力方向加速度；(本实施例中是将3个IMU的9轴信息合并，将步骤(1-2)得到的4个带通滤波后的信号和在路况识别时，所计算出的布局在大腿处的1个IMU的合加速度及后背处的两个IMU合加速度相结合，最终得到3*9+2+1+4＝34个信号通道源)
(1-4)利用时频域特征提取模块提取每个信号的时频域特征变量(实施例中采用39个，分别包括17个时域特征：最大值、最小值、绝对峰值、平均绝对幅值、峰峰值、均值、均方根、标准差、方差、偏度、峰度、下四分位数、波形因子、脉冲因子、峰值因子、峭度因子及裕度因子、4个频域特征：平均频率、重心频率、频率均方根与频率标准差和18个时频域特征：小波能量嫡、小波奇异嫡、8个子带的小波尺度嫡及8个子带的小波能量比)，并结合备选特征，即可得到1000～2000个维度的特征向量；
备选特征包括：髋关节伸展角度最大时刻的角速度斜率、髋关节角速度二次拟合系数、上一个步态的摆动周期、上一个步态的非助力相的时间、另一侧腿的摆动周期和非助力周期。本步骤中提到的特征向量的维度数量C计算方式为：将步骤(1-3)中得到的信号通道源的数量E乘以本步骤中时频域特征提取模块提取每个信号的时频域特征变量的数量F加上备选特征的数量G，如公式(2)所示：
C＝E*F+G (2)
基于此，经过步骤(1-4)则可以得到(3*9+2+1+4)*39+6＝1332个维度的特征向量；
(1-5)降维和选择特征向量：设定主成分数量W，将步骤(1-4)所得的特征向量通过特征降维模块，计算出特征向量之间的相关系数，进行相关性分析后，选择出相关系数r大于0.5的特征向量作为备选特征向量组，相关系数r小于0.5的特征向量则舍去；最终使步骤(1-4)所提到的特征向量的维度减少至500～1000个，并将降维后的备选特征向量组利用特征选择模块中的偏最小二乘法和非线性迭代算法，寻找与摆动周期相关性最大的特征组合，以完成摆动周期的特征向量提取与选择，最终得到的W个主成分将作为输入全部参与到BP神经网络模型预测中；
(1-5-1)设定主成分数量，记为W(实施例中为10)，为选择与摆动周期相关的特征向量作为BP神经网络输入向量，引入用以反映自变量与因变量之间的相关程度的统计指标——相关系数r，由公式(3)得到相关性分析中的相关系数r；
式中，向量P为步骤(1-4)得到的特征向量(实施例中对应1332个维度的特征向量)，向量Q是由离线计算的真实摆动周期生成的向量；r为向量P与向量Q的相关系数，Cov(P,Q)为向量P与向量Q的协方差，Var[P]为向量P的方差，Var[Q]为向量Q的方差；
(1-5-2)根据步骤(1-5-1)计算得到的r，将r大于0.5的特征向量输出，并作为PLS的输入，去除r小于等于0.5的特征向量(本实施例中是576个)，利用公式(4)构造了变量t1和u1，便于分离主成分；
式中，R为标准化后的特征向量矩阵，S为标准化后的摆动周期向量，t1和u1应尽可能地分别反映R和S的信息且t1和u1需尽可能相关，利用t1和u1的最大协方差，如公式(5)所示，构造如公式(6)所示的拉格朗日函数：
式中，λ1、λ2分别为拉格朗日系数；
对公式(6)中的拉格朗日函数的变量求偏导数，并令其为0，则可得到公式(7-1)和公式(7-2)：
Cov(t1,u1)＝2λ1＝2λ2 ＝θ (7-1)
由公式(7-2)的解即可得到t1为标准化后的单位特征向量，记作第一主成分；
(1-5-3)重复步骤(1-5-1)和(1-5-2)，直到设定的主成分数量W计算完为止，即循环W次，第j次循环计算可以得到标准化的单位特征向量tj，即第j主成分tj(j＝2,3,4......,W)，每次得到一个主成分后便进行下一次循环，最终能得到W个主成分，并将W个主成分作为输入全部参与到BP神经网络模型预测中；
(2)根据步骤(1)中提取到的特征向量数据，搭建BP神经网络预测模型：
(2-1)确定模型的评价指标：
利用如公式(8)所示的决定系数R2计算公式反映预测模型的回归拟合程度，其值越大表示拟合程度越好，决定系数R2越接近1表示预测模型越稳定，预测性能也就越优；
式中，C、a、N分别代表网络预测值、真实值、样本预测个数；
同时，利用如公式(9)所示的均方误差MSE反映预测的助力周期与真的助力周期之间的偏差，其值越小表示预测效果越好；良好的训练模型和验证模型对应的均方误差MSE的值较低，其对应的决定系数R2越接近于1；
(2-2)确定二次降维后特征向量的数量：将步骤(1-5)中降维后的特征向量进行相关性计算(实施例中是576个特征向量)，并将得到的相关系数从高到底依次排序，利用BP神经网络从排序靠前的第一个特征向量开始训练网络模型，结束后逐步增加下一个特征向量开始进行下一轮训练，直到特征向量均参与网络训练；
(2-3)排除BP神经网络结构不同带来的结果差异：当步骤(2-2)中二次降维后特征向量的数量小于10，即这些特征向量可以代表行走规律，则直接将这些特征输入到BP神经网络，而当特征向量数量大于10时，则需利用步骤(1-5)得到W个主成分(实施例中为10个)，并将W个主成分输入到相同的BP神经网络结构，每增加一个特征数量则随机生成一个新的权重，再重新训练网络，由此即可得到不同特征向量数目的多组验证集；
(2-4)确定验证集：分别计算步骤(2-1)中的决定系数R2和均方误差MSE，其中，公式(9)中，上一步态的均方误差为直接使用上一步态的摆动周期时间的均方误差，公式(8)中，上一步态的决定系数为直接使用上一步态的摆动周期时间的决定系数，通过增加输入到BP神经网络的二次降维后特征向量的数量，并观察BP神经网络预测结果的决定系数R2和均误方差MSE的分布情况，可以得到以下结果：当BP神经网络预测结果的决定系数R2减小至稳定的范围，均方误差MSE增大至稳定的范围，此时特征向量与真实的输出向量之间的相关系数在0.8左右，且确定特征向量的数目为K个，将这K个特征向量作为参与摆动周期预测的一组特征向量；利用大腿上的IMU收集左右腿X轴、Y轴角速度带通滤波后的频率、后背处的IMU采集人体质心重力方向加速度，则可得到行走步态的变化情况；
在步骤(2-4)中最终确定参与摆动周期预测的一组特征向量；利用大腿、小腿、脚和后背处的惯性测量单元IMU收集参与摆动周期预测的一组特征向量的K项数据(本实施例中为20项)，在四种不同实验条件下分别重复上述操作80～200次(本实施例中为100次)，可以得到320～800组(本实施例中为400组)特征向量，将每组特征向量中的数据记作一个样本，能够获得320～800组(本实施例中为400组)样本，最后把320～800组样本(本实施例中为400组)放入到BP神经网络预测模型中进行训练与验证；
所述四种不同实验条件具体是指：穿戴者在水平地面进行匀速或变速行走、上楼梯、上坡(坡度固定为5°)这四种运动模式。
此处的摆动周期与信号通道的频率有关，且参与摆动周期预测的特征向量包括对侧腿刚结束的助力周期、助力腿上一个助力周期、助力腿髋关节角度的平均频率、对侧腿髋关节角度的平均频率、助力腿IMU的X轴角速度的平均频率、助力腿IMU的X轴角速度带通滤波后的平均频率、助力腿IMU合加速度的平均频率、对侧腿IMU的X轴角速度平均频率、对侧腿IMU合加速度的平均频率、助力开始前助力腿IMU的X轴角速度带通滤波后的频率、人体质心重力方向加速度的平均频率、人体质心重力方向加速度的最小值、对侧腿IMU的X轴角速度带通滤波后的平均频率、人体质心重力方向加速度的下四分位数、人体质心重力方向加速度的标准差、人体质心合加速度的平均频率、助力腿IMU的Y轴加速度的平均频率、对侧腿IMU的Y轴加速度的平均频率、助力腿髋关节角度的小波奇异嫡、助力腿髋关节角度的小波嫡。
(2-5)BP神经网络预测模型搭建：BP神经网络具有输入层、隐含层与输出层；预测模型的输入层为步骤(2-4)所得到的特征向量(本实施例中是20个)，隐含层使用Sigmod函数作为非线性激活函数，提供非线性变化过程，则隐含层第i个神经元输出可表示为公式(10)：
hi＝Sig(wxixi+bi) (10)
式中，wxi为输入层与隐含层之间的权值，xi为特征向量第i个特征，bi为网络输入层与输出层之间的权重；
其中，隐含层的节点数由公式(11)决定：
式中，[*]表示取整，m,n,l分别为隐含层的节点数、输入层节点数、输出层节点数；c取1～10之间的整数，实施例中的实际模型搭建中n＝20，l＝1，m＝13；
BP神经网络预测模型绝对误差(error)计算公式(12)如下:
其中，|*|表示取绝对值，p与a分别代表网络预测值与真实值；绝对误差作为BP神经网络模型预测效果的评价指标之一，error的值越小，则表示BP神经网络预测模型得到的外骨骼摆动周期预测值与外骨骼摆动周期的真实值相差越小，证明BP神经网络预测模型的精度越高。
(2-6)BP神经网络模型进行训练和验证：利用PC上位机的MATLAB环境进行BP神经网络离线训练，采用贝叶斯规则的trainbr的训练函数，利用Levenberg-Marquardt算法进行修正；选取经步骤(2-4)得到的320～800组样本(本实施例中为400组)的前80％并打乱顺序作为训练集输入神经网络，剩下的20％按照采集的样本顺序作为测试集；设置目标误差、学习率、训练次数(实施例中分别为10-5、10-3、1000)，采用绝对误差、均方误差和决定系数作为BP神经网络模型预测效果的评价指标，最终得到对外骨骼摆动的周期预测，进而生成下一时刻的助力曲线；利用公式(13)计算步行比A：
步行比A是指穿戴者行走时步长D(单位：m)与步频M(单位：steps/min)的比值，如公式(13)所示；其中步长是髋关节的最大屈曲角θmax和最小屈曲角θmin的差值乘以穿戴者的腿长L，步长计算公式(14)如下；
D＝L(θmax-θmin) (14)
若在外骨骼穿戴者的实际测量步行数据计算得到的步行比A在0.0040-0.0079之间，则证明BP神经网络的训练效果良好；若其步行比A高于0.0079或者低于0.0040，则需调整相应训练函数的参数，直到计算出不同穿戴者的步行比A都趋于一个稳定的范围时，表明BP神经网络的训练和修正效果良好，说明外骨骼的助力效果也是好的。
以下结合具体实施例，对本发明进行详细说明。应理解，实施例仅用于说明本发明而不用于限制本发明的范围。在阅读了本发明讲述的具体步骤和相关内容之后，本领域技术人员可以在公开技术方案的基础上对本发明作各种改动和变化，这些等价形式同样属于本申请所附权利要求书所限定的范围以内。
图1为本发明所涉一种基于BP神经网络的外骨骼摆动周期预测方法中的摆动周期的特征提取流程图。其主要结构包括助力相检测模块、时频域特征提取模块、特征降维模块和特征选择模块四部分。在助力相检测模块中，主要通过IMU传感器收集穿戴者大腿、小腿和脚上的传感器数据，每个惯性测量单元IMU又可得到该部位的X轴的角速度、加速度和磁强计信号、Y轴的角速度、加速度和磁强计信号、Z轴的角速度、加速度和磁强计信号，总记为3个IMU的9轴信息；将左腿和右腿的X轴角速度信号和髋关节角度带通滤波处理后所得的4个信号相结合；在进行路况识别时，计算布局在大腿处的1个IMU合加速度和后背处的2个IMU的合加速度信号，将上述这7个信号与每个IMU的9轴运动信息合并一起，最终得到3*9+4+2+1＝34个信号通道源。IMU的合加速度ak计算方法为前述公式(1)；
在时频域特征提取模块中：提取每个信号39个时频域特征，包括17个时域特征：最大值、最小值、绝对峰值、平均绝对幅值、峰峰值、均值、均方根、标准差、方差、偏度、峰度、下四分位数、波形因子、脉冲因子、峰值因子、峭度因子及裕度因子、4个频域特征：平均频率、重心频率、频率均方根与频率标准差和18个时频域特征:小波能量嫡、小波奇异嫡、8个子带的小波尺度嫡及8个子带的小波能量比，再结合包含髋关节伸展角度最大时刻的角速度斜率、髋关节角速度二次拟合系数、上一个步态的摆动周期、上一个步态的非助力相的时间、另一侧腿的摆动周期和非助力周期等6个备选特征，得到特征向量的维度数量C的计算方式为：信号通道源的数量E乘以时频域特征提取模块提取每个信号的时频域特征变量的数量F加上备选特征的数量G，如前述公式(2)所示；
由此每个样本可以得到(3*9+4+2+1)*39+6＝1332个维度的特征向量。通过特征降维模块中的偏最小二乘法和非线性迭代算法对上述1332个特征向量进行特征降维，使特征向量的输出变量矩阵最大限度地包含特征向量的输入变量矩阵的原始信息，保证二者之间的相关性最大。设主成分数量为10，为选择与摆动周期相关的特征向量作为BP神经网络输入向量，引入用以反映自变量与因变量之间的相关程度的统计指标——相关系数r，如前述公式(3)所示；
公式(3)中，向量P为在时频域特征提取模块中得到的1332个维度的特征向量，向量Q是由离线计算的真实摆动周期生成的向量；r为向量P与向量Q的相关系数，Cov(P,Q)为向量P与向量Q的协方差，Var[P]为向量P的方差，Var[Q]为向量Q的方差；
根据上述计算得到的相关系数r，将r大于0.5的特征向量输出，并作为PLS的输入，去除r小于等于0.5的特征向量，共576个，利用前述公式(4)构造了变量t1和u1，便于分离主成分；
在前述公式(4)中，R为标准化后的特征向量矩阵，S为标准化后的摆动周期向量，t1和u1应尽可能地分别反映R和S的信息且t1和u1需尽可能相关，利用t1和u1的最大协方差，如前述公式(5)所示，构造如前述公式(6)所示的拉格朗日函数；在前述公式(6)中，λ1、λ2分别为拉格朗日系数；
对前述公式(6)中的拉格朗日函数的变量求偏导数，并令其为0，则可得到前述公式(7-1)和公式(7-2)：
由前述公式(7-2)的解即可得到t1为标准化后的单位特征向量，记作第一主成分；
重复计算前述公式(4)至公式(7-2)，直到设定的主成分数量10个计算完为止，即循环10次，第j次循环计算可以得到标准化的单位特征向量tj，即第j主成分tj(j＝2,3,4......,10)，每次得到一个主成分后便进行下一次循环，最终能得到10个主成分，并将10个主成分作为输入全部参与到BP神经网络模型预测中；
再将其与摆动周期相关性最大的特征向量组合输入图2所示的BP神经网络进行模型搭建，从而得到外骨骼下一时刻摆动周期。
图2为本发明所涉一种基于BP神经网络的外骨骼摆动周期预测方法中的BP神经网络结构图。如图2所示，BP神经网络结构具有输入层、隐含层与输出层。预测模型的输入层为一个完整步态数据的20个特征向量，采用单隐含层的BP神经网络进行摆动周期预测。隐含层使用Sigmod函数作为非线性激活函数，提供非线性变化过程，其隐含层第i个神经元输出可表示为：
hi＝Sig(wxixi+bi) (10)
上述公式(10)中，wxi为输入层与隐含层之间的权值，xi为特征向量第i个特征，bi为网络输入层与输出层之间的权重。
隐含层的节点数由下式决定：
上述公式(11)中，[*]表示取整，m,n,l分别为隐含层的节点数、输入层节点数、输出层节点数；c取1～10之间的整数，实际训练中n＝20，l＝1，m＝13。
Claims (10)
1.一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于它包括摆动周期的提取与选择单元和BP神经网络预测模型单元两部分；其中，所述摆动周期的提取与选择单元用于预测髋关节下一时刻摆动周期的特征向量组合；所述BP神经网络预测模型单元用于生成相应的助力曲线，解决在变速运动状态下难以实时获得下一步摆动周期的问题。
2.根据权利要求1所述一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于所述摆动周期的提取与选择单元是由助力相检测模块、时频域特征提取模块、特征降维模块和特征选择模块四部分构成；所述助力相检测模块用于检测穿戴者在行走过程中的一侧腿的摆动周期和非摆动周期；所述时频域特征提取模块用于实现信号的时频域特征提取；所述特征降维模块用于对时频域特征提取模块提取到时频域特征进行相关性分析，并将多个特征量减少为不相关的主变量；所述特征选择模块用于选择降维后的特征向量组合，并将其输入到BP神经网络预测模型单元。
3.根据权利要求2所述一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于所述时频域特征提取模块用于实现信号的时频域特征提取，具体是指将进行带通滤波处理后的信号、IMU合加速度信号和9轴运动信息进行合并，之后完成每个信号的时域特征和频域特征的提取；所述时域特征的提取是指直接由时域信号图得到的有单位参数和无单位参数，符合实时性要求；所述频域特征的提取是通过傅里叶变换得到信号的频谱；所述时域特征和频域特征的提取具体是利用小波分解，将带通滤波处理后的信号、IMU合加速度信号和9轴运动信息信号进行分解、卷积和采样操作，以提取各频带信号能量；所述带通滤波处理是指允许符合人体髋关节摆动频率的信号通过，对髋关节其余频率的信号进行有效抑制操作。
4.根据权利要求3所述一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于所述有单位参数和无单位参数包括由时域信号图直接得到的最大值、最小值、绝对峰值、平均绝对幅值中的至少一个；所述9轴运动信息包括：分别由3个惯性测量单元IMU获取的大腿、小腿和脚的信息，并且每个惯性测量单元IMU又可得到该部位的X轴的角速度、加速度和磁强计信号、Y轴的角速度、加速度和磁强计信号、Z轴的角速度、加速度和磁强计信号。
5.根据权利要求1所述一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于所述特征选择模块是利用偏最小二乘法和非线性迭代算法，使特征降维模块的特征向量的输出变量矩阵最大限度地包含输入变量矩阵的原始信息，保证二者之间的相关性最大，非常适合寻找与摆动周期相关性最大的特征组合；所述BP神经网络预测模型单元是由输入层、隐含层和输出层构成；其中所述输入层用于对经过特征降维模块降维后的特征向量，由模型预测结果的性能确定特征向量的维度；所述隐含层用于接收输入层的特征向量，且隐含层的每一个节点都含有输入层的每一个特征向量，其网络层数设置为10～20之间；所述输出层接收隐含层得到的结果，并根据输入层、隐含层和输出层之间的权重比例输出外骨骼的摆动周期。
6.根据权利要求5所述一种基于BP神经网络的外骨骼摆动周期预测系统，其特征在于所述输入层是由能够描述一个完整步态数据的特征向量所组成的结构，且由特征降维模块提供所需特征向量；所述隐含层是使用Sigmod函数作为非线性激活函数提供非线性变化过程的一层，用于将输入层的特征向量根据不同特征特点转化为10～20个节点的组合结构；所述输出层用于将隐含层得到的节点通过Purelin函数，并根据输入层、隐含层和输出层之间的权重比例，输出一个结果，此结果即为下一时刻外骨骼的摆动周期。
7.一种基于BP神经网络模型的外骨骼摆动周期预测方法，其特征在于它包括以下步骤：
(1)获取传感器数据，经过特征降维模块将数据转化为降维后的特征向量作为BP神经网络的输入信号，助力相检测模块用来进行步态周期的识别和采集健康者的运动信息，时频域特征提取模块用于实现信号的时频域特征提取，并通过两侧腿助力时刻结束的摆动周期的相关性分析和特征选择模块获得摆动周期预测的特征向量，从而完成对摆动周期的提取与选择；
(1-1)通过惯性测量单元IMU的传感器收集左右腿的大腿、小腿和脚上的传感器数据，以得到行走时X、Y、Z三轴的角速度信号数据、加速度数据和磁强计信号数据；
(1-2)将步骤(1-1)收集到的左腿和右腿的X轴角速度信号和髋关节角度进行带通滤波处理，得到带通滤波后的信号，即：左腿髋关节角度带通滤波信号、左腿角速度带通滤波信号、右腿髋关节角度带通滤波信号和右腿角速度带通滤波信号；
(1-3)将惯性测量单元IMU得到的左右腿的大腿、小腿和脚上行走数据合并，并将步骤(1-2)得到的带通滤波后的信号和路况识别时所计算出的布局在大腿及后背处的惯性测量单元IMU的合加速度相结合，最终得到30～40个信号通道源；
(1-4)利用时频域特征提取模块提取每个信号的时频域特征变量，并结合备选特征，即可得到1000～2000个维度的特征向量；
(1-5)降维和选择特征向量：设定主成分数量W，将步骤(1-4)所得的特征向量通过特征降维模块，计算出特征向量之间的相关系数，进行相关性分析后，选择出相关系数r大于0.5的特征向量作为备选特征向量组，相关系数r小于0.5的特征向量则舍去；最终使步骤(1-4)所提到的特征向量的维度减少至500～1000个，并将降维后的备选特征向量组利用特征选择模块中的偏最小二乘法和非线性迭代算法，寻找与摆动周期相关性最大的特征组合，以完成摆动周期的特征向量提取与选择，最终得到的W个主成分将作为输入全部参与到BP神经网络模型预测中；
(2)根据步骤(1)中提取到的特征向量数据，搭建BP神经网络预测模型：
(2-1)确定模型的评价指标：
利用如公式(8)所示的决定系数R2计算公式反映预测模型的回归拟合程度，其值越大表示拟合程度越好，决定系数R2越接近1表示预测模型越稳定，预测性能也就越优；
式中，C、a、N分别代表网络预测值、真实值、样本预测个数；
同时，利用如公式(9)所示的均方误差MSE反映预测的助力周期与真的助力周期之间的偏差，其值越小表示预测效果越好；良好的训练模型和验证模型对应的均方误差MSE的值较低，其对应的决定系数R2越接近于1；
(2-2)确定二次降维后特征向量的数量：将步骤(1-5)中降维后的特征向量进行相关性计算，并将得到的相关系数从高到底依次排序，利用BP神经网络从排序靠前的第一个特征向量开始训练网络模型，结束后逐步增加下一个特征向量开始进行下一轮训练，直到特征向量均参与网络训练；
(2-3)排除BP神经网络结构不同带来的结果差异：当步骤(2-2)中二次降维后特征向量的数量小于10，即这些特征向量可以代表行走规律，则直接将这些特征输入到BP神经网络，而当特征向量数量大于10时，则需利用步骤(1-5)得到W个主成分，并将W个主成分输入到相同的BP神经网络结构，每增加一个特征数量则随机生成一个新的权重，再重新训练网络，由此即可得到不同特征向量数目的多组验证集；
(2-4)确定验证集：分别计算步骤(2-1)中的决定系数R2和均方误差MSE，其中，公式(9)中，上一步态的均方误差为直接使用上一步态的摆动周期时间的均方误差，公式(8)中，上一步态的决定系数为直接使用上一步态的摆动周期时间的决定系数，通过增加输入到BP神经网络的二次降维后特征向量的数量，得到BP神经网络预测结果的决定系数R2和均误方差MSE的分布情况，可知：当BP神经网络预测结果的决定系数R2减小至稳定的范围，均方误差MSE增大至稳定的范围，此时特征向量与真实的输出向量之间的相关系数在0.8左右，记此时特征向量的数目为K个，并将这K个特征向量作为参与摆动周期预测的一组特征向量；利用大腿上的惯性测量单元IMU分别收集左、右腿的X轴、Y轴角速度带通滤波后的频率、后背处的惯性测量单元IMU所采集的人体质心重力方向加速度，则可得到行走步态的变化情况；
利用大腿、小腿、脚和后背处的惯性测量单元IMU采集所述参与摆动周期预测的一组特征向量的K项数据，重复上述操作80～200次，最终得到320～800组特征向量，将每组特征向量中的数据记作一个样本，既能够获得320～800组样本，最后把320～800组样本输入BP神经网络预测模型进行训练与验证；
(2-5)BP神经网络预测模型搭建：BP神经网络具有输入层、隐含层与输出层；预测模型的输入层为步骤(2-4)所得到的特征向量，隐含层使用Sigmod函数作为非线性激活函数，提供非线性变化过程，则隐含层第i个神经元输出可表示为公式(10)：
hi＝Sig(wxixi+bi) (10)
式中，wxi为输入层与隐含层之间的权值，xi为特征向量第i个特征，bi为网络输入层与输出层之间的权重；
其中，隐含层的节点数由公式(11)决定：
式中，[*]表示取整，m,n,l分别为隐含层的节点数、输入层节点数、输出层节点数；c取1～10之间的整数；
计算BP神经网络预测模型绝对误差，如式(12)所示:
其中，|*|表示取绝对值，p与a分别代表网络预测值与真实值；绝对误差作为BP神经网络模型预测效果的评价指标之一，error的值越小，则表示BP神经网络预测模型得到的外骨骼摆动周期预测值与外骨骼摆动周期的真实值相差越小，证明BP神经网络预测模型的精度越高；
(2-6)BP神经网络模型进行训练和验证：利用PC上位机的MATLAB环境进行BP神经网络离线训练，采用贝叶斯规则的trainbr的训练函数，利用Levenberg-Marquardt算法进行修正；选取经选取经步骤(2-4)得到的320～800组样本的前80％并打乱顺序作为训练集输入神经网络，剩下的20％按照采集的样本顺序作为测试集；设置目标误差、学习率、训练次数，采用绝对误差、均方误差和决定系数作为BP神经网络模型预测效果的评价指标，最终得到对外骨骼摆动的周期预测，进而生成下一时刻的助力曲线；若在外骨骼穿戴者的实际测量步行数据计算得到的步行比A在0.0040-0.0079之间，则证明BP神经网络的训练效果良好；若其步行比A高于0.0079或者低于0.0040，则需调整相应训练函数的参数，直到计算出不同穿戴者的步行比A都趋于一个稳定的范围时，表明BP神经网络的训练和修正效果良好，说明外骨骼的助力效果也是好的。
8.根据权利要求7所述一种基于BP神经网络模型的外骨骼摆动周期预测方法，其特征在于所述步骤(1-3)中的路况识别时所计算出的布局在大腿上的一个及后背处的两个惯性测量单元IMU的合加速度ak计算方法如公式(1)所示：
其中，k＝1，2，3，当k＝1时，aX1、aY2、aZ3分别为大腿惯性测量单元IMU分别测得的X、Y、Z三个方向的加速度，当k＝2，3时，为后背处的两个惯性测量单元IMU分别测得的X、Y、Z三个方向的加速度，所得三个合加速度信号用于组成部分信号通道源；后背处惯性测量单元IMU用于检测人体的质心运动变化和测量质心重力方向加速度；
所述步骤(1-4)中的备选特征是髋关节伸展角度最大时刻的角速度斜率、髋关节角速度二次拟合系数、上一个步态的摆动周期、上一个步态的非助力相的时间、另一侧腿的摆动周期和非助力周期。本步骤中提到的特征向量的维度数量C计算方式为：将步骤(1-3)中得到的信号通道源的数量E乘以本步骤中时频域特征提取模块提取每个信号的时频域特征变量的数量F加上备选特征的数量G，如公式(2)所示。
C＝E*F+G (2)
9.根据权利要求7所述一种基于BP神经网络模型的外骨骼摆动周期预测方法，其特征在于所述步骤(1-5)具体是由以下步骤构成：
(1-5-1)设定主成分数量，记为W，为选择与摆动周期相关的特征向量作为BP神经网络输入向量，引入用以反映自变量与因变量之间的相关程度的统计指标——相关系数r，由公式(3)得到相关性分析中的相关系数r；
式中，向量P为步骤(1-4)得到的特征向量，向量Q是由离线计算的真实摆动周期生成的向量；r为向量P与向量Q的相关系数，Cov(P,Q)为向量P与向量Q的协方差，Var[P]为向量P的方差，Var[Q]为向量Q的方差；
(1-5-2)根据步骤(1-5-1)计算得到的r，将r大于0.5的特征向量输出，并作为PLS的输入，去除r小于等于0.5的特征向量，利用公式(4)构造了变量t1和u1，便于分离主成分；
式中，R为标准化后的特征向量矩阵，S为标准化后的摆动周期向量，t1和u1应尽可能地分别反映R和S的信息且t1和u1需尽可能相关，利用t1和u1的最大协方差，如公式(5)所示，构造如公式(6)所示的拉格朗日函数：
式中，λ1、λ2分别为拉格朗日系数；
对公式(6)中的拉格朗日函数的变量求偏导数，并令其为0，则可得到公式(7-1)和公式(7-2)：
Cov(t1,u1)＝2λ1＝2λ2＝θ (7-1)
由公式(7-2)的解即可得到t1为标准化后的单位特征向量，记作第一主成分；
(1-5-3)重复步骤(1-5-1)和(1-5-2)，直到设定的主成分数量W计算完为止，即循环W次，第j次循环计算可以得到标准化的单位特征向量tj，即第j主成分tj(j＝2,3,4......,W)，每次得到一个主成分后便进行下一次循环，最终能得到W个主成分，并将W个主成分作为输入全部参与到BP神经网络模型预测中。
10.根据权利要求7所述一种基于BP神经网络模型的外骨骼摆动周期预测方法，其特征在于所述步骤(2-4)中的摆动周期与信号通道的频率有关，且参与摆动周期预测的特征向量包括对侧腿刚结束的助力周期、助力腿上一个助力周期、助力腿髋关节角度的平均频率、对侧腿髋关节角度的平均频率、助力腿IMU的X轴角速度的平均频率、助力腿IMU的X轴角速度带通滤波后的平均频率、助力腿IMU合加速度的平均频率、对侧腿IMU的X轴角速度平均频率、对侧腿IMU合加速度的平均频率、助力开始前助力腿IMU的X轴角速度带通滤波后的频率、人体质心重力方向加速度的平均频率、人体质心重力方向加速度的最小值、对侧腿IMU的X轴角速度带通滤波后的平均频率、人体质心重力方向加速度的下四分位数、人体质心重力方向加速度的标准差、人体质心合加速度的平均频率、助力腿IMU的Y轴加速度的平均频率、对侧腿IMU的Y轴加速度的平均频率、助力腿髋关节角度的小波奇异嫡、助力腿髋关节角度的小波嫡；
所述步骤(2-4)中重复操作80～200次是指分别在四种情况下采集参与摆动周期预测的一组特征向量的K项数据；所述四种情况包括穿戴者在水平地面进行匀速行走、变速行走、上楼梯及上坡；
所述步骤(2-6)中步行比A是指穿戴者行走时步长D与步频M的比值，如公式(13)所示；其中步长是髋关节的最大屈曲角θmax和最小屈曲角θmin的差值乘以穿戴者的腿长L，步长计算公式(14)如下所示。
D＝L(θmax-θmin) (14)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310365234.5A CN116502066A (zh) | 2023-04-07 | 2023-04-07 | 一种基于bp神经网络的外骨骼摆动周期预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310365234.5A CN116502066A (zh) | 2023-04-07 | 2023-04-07 | 一种基于bp神经网络的外骨骼摆动周期预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502066A true CN116502066A (zh) | 2023-07-28 |
Family
ID=87315879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310365234.5A Pending CN116502066A (zh) | 2023-04-07 | 2023-04-07 | 一种基于bp神经网络的外骨骼摆动周期预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502066A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117697766A (zh) * | 2024-02-05 | 2024-03-15 | 厦门工学院 | 基于退步小波神经网络的柔性臂空间机器人抓捕控制方法 |
-
2023
- 2023-04-07 CN CN202310365234.5A patent/CN116502066A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117697766A (zh) * | 2024-02-05 | 2024-03-15 | 厦门工学院 | 基于退步小波神经网络的柔性臂空间机器人抓捕控制方法 |
| CN117697766B (zh) * | 2024-02-05 | 2024-05-24 | 厦门工学院 | 基于退步小波神经网络的柔性臂空间机器人抓捕控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110537922B (zh) | 基于深度学习的人体行走过程下肢运动识别方法及系统 | |
| CN110334573B (zh) | 一种基于密集连接卷积神经网络的人体运动状态判别方法 | |
| CN110141239A (zh) | 一种用于下肢外骨骼的运动意图识别及装置方法 | |
| Wang et al. | Accelerometry based classification of walking patterns using time-frequency analysis | |
| CN110232412B (zh) | 一种基于多模态深度学习的人体步态预测方法 | |
| CN108549856B (zh) | 一种人体动作和路况识别方法 | |
| Challa et al. | An optimized-LSTM and RGB-D sensor-based human gait trajectory generator for bipedal robot walking | |
| CN104656112B (zh) | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 | |
| CN113534960B (zh) | 基于imu和表面肌电信号的上臂假肢控制方法及系统 | |
| CN116502066A (zh) | 一种基于bp神经网络的外骨骼摆动周期预测系统及方法 | |
| Sun et al. | Human gait modeling and gait analysis based on Kinect | |
| Ahamed et al. | Fuzzy inference system-based recognition of slow, medium and fast running conditions using a triaxial accelerometer | |
| CN111643321A (zh) | 基于sEMG信号的外骨骼关节角度预测方法及系统 | |
| CN102764167A (zh) | 基于相关系数的肌电假肢控制源导联优化方法 | |
| Yang et al. | Inertial sensing for lateral walking gait detection and application in lateral resistance exoskeleton | |
| Chuang et al. | A wearable activity sensor system and its physical activity classification scheme | |
| Wang et al. | Recognition of the Gait Phase Based on New Deep Learning Algorithm Using Multisensor Information Fusion. | |
| CN111950460B (zh) | 一种自适应肌力的卒中患者手部康复训练动作识别方法 | |
| CN108985278A (zh) | 一种基于svm的步态功能评估模型的构建方法 | |
| CN113283373A (zh) | 一种用于增强深度相机检测肢体运动参数的方法 | |
| CN112906673A (zh) | 一种基于注意力机制的下肢运动意图预测方法 | |
| Hamdi et al. | Lower limb gait activity recognition using Inertial Measurement Units for rehabilitation robotics | |
| CN115147768A (zh) | 一种跌倒风险评估方法及系统 | |
| Lueken et al. | Using synthesized imu data to train a long-short term memory-based neural network for unobtrusive gait analysis with a sparse sensor setup | |
| CN111539507B (zh) | 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法 |
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 |