袁娜，楊鵬，2，劉作軍，2

（1.河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院，天津300130；2.智能康復(fù)裝置與檢測(cè)技術(shù)教育部工程研究中心，天津300130）

利用平均影響值和概率神經(jīng)網(wǎng)絡(luò)的步態(tài)識(shí)別

袁娜1，楊鵬1，2，劉作軍1，2

（1.河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院，天津300130；2.智能康復(fù)裝置與檢測(cè)技術(shù)教育部工程研究中心，天津300130）

為了實(shí)現(xiàn)對(duì)智能下肢假肢進(jìn)行有效控制，下肢步態(tài)（包括平地行走、上下樓梯和上下坡等）的有效識(shí)別是關(guān)鍵。先從提取不同步態(tài)下的特征值入手，利用平均影響值（MIV）來(lái)實(shí)現(xiàn)變量的篩選，并針對(duì)膝上截肢者的特點(diǎn)確定了6個(gè)特征值，分別為髖關(guān)節(jié)角度的最大值、支撐前期均值、支撐中期均值、支撐中期標(biāo)準(zhǔn)差、擺動(dòng)期標(biāo)準(zhǔn)差（即Mh、ISh、MSh、SWh、MSV、SWV），然后利用概率神經(jīng)網(wǎng)絡(luò)（PNN）對(duì)本實(shí)驗(yàn)系統(tǒng)的5種步態(tài)進(jìn)行準(zhǔn)確識(shí)別，并與BP神經(jīng)網(wǎng)絡(luò)（BPNN）識(shí)別步態(tài)進(jìn)行比較，試驗(yàn)結(jié)果表明將特征值用平均影響值方法篩選后，用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行步態(tài)識(shí)別，具有較好的識(shí)別率和識(shí)別速度，其識(shí)別率與BP神經(jīng)網(wǎng)絡(luò)相比提高了10%以上，驗(yàn)證了該方法的有效性和可行性。

智能假肢；步態(tài)識(shí)別；平均影響值；概率神經(jīng)網(wǎng)絡(luò)；特征篩選

1 概率神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織、自適應(yīng)能力，對(duì)輸入特征值的分布性、容錯(cuò)性及神經(jīng)元的非線性的特性，使它成為解決模式分類(lèi)［15］問(wèn)題的一種手段。

概率神經(jīng)網(wǎng)絡(luò)是徑向基神經(jīng)網(wǎng)絡(luò)的一種，網(wǎng)絡(luò)結(jié)構(gòu)上通常包含2層神經(jīng)元，第1層為隱含的徑向基層，節(jié)點(diǎn)的函數(shù)為徑向基函數(shù)，最常用的形式是高斯函數(shù)（radbas），如式（1）所示：

該函數(shù)的隱中心矢量cj表示某類(lèi)別中第j個(gè)隱中心矢量，式（1）中σ為函數(shù)的寬度參數(shù)，即平滑因子控制了函數(shù)的徑向作用范圍。s則是表示徑向基函數(shù)的散步常數(shù)，缺省時(shí)默認(rèn)為0.1，當(dāng)s趨于無(wú)窮時(shí)，PNN趨近于近鄰分類(lèi)器，當(dāng)s趨于0時(shí)，PNN趨近于線性分類(lèi)器。

隱層的第i個(gè)節(jié)點(diǎn)的輸出為

式中：xi指第i個(gè)訓(xùn)練樣本點(diǎn)節(jié)點(diǎn)，clj為第l個(gè)類(lèi)別的第j個(gè)隱中心矢量。

與基本徑向基神經(jīng)網(wǎng)絡(luò)的不同在于PNN的第2層采用了競(jìng)爭(zhēng)函數(shù)作為輸出傳遞函數(shù)。當(dāng)概率神經(jīng)網(wǎng)絡(luò)獲得一個(gè)輸入時(shí)，第1層神經(jīng)元計(jì)算輸入向量與輸入樣本向量的距離，并產(chǎn)生一個(gè)向量，此向量的各個(gè)元素表征輸入向量與輸入樣本向量的接近程度。第2層神經(jīng)元將與輸入向量的各種類(lèi)別綜合起來(lái)，產(chǎn)生一個(gè)表征概率的輸出向量。最后，一個(gè)競(jìng)爭(zhēng)型的函數(shù)在輸出端選擇具有最大概率的輸入向量類(lèi)別，產(chǎn)生輸出1，而其他類(lèi)別的輸入向量則產(chǎn)生輸出0。

2 步態(tài)特征值的提取和篩選

2.1 數(shù)據(jù)采集和處理

測(cè)試平臺(tái)采用國(guó)家康復(fù)輔具研究中心生物力學(xué)實(shí)驗(yàn)室的VICON MX系統(tǒng)，實(shí)驗(yàn)平臺(tái)包括平地行走、上／下樓梯和上／下坡。測(cè)試系統(tǒng)為被動(dòng)光學(xué)式運(yùn)動(dòng)捕捉，實(shí)驗(yàn)平臺(tái)上／下的4階樓梯高為10 cm，上／下斜坡的坡度為15°。利用上述VICON MX三維步態(tài)分析系統(tǒng)采集5種步態(tài)下3關(guān)節(jié)角度值。

其實(shí)，在我看來(lái)，正書(shū)和閑書(shū)，就是一個(gè)人知識(shí)的縱橫。學(xué)生時(shí)代的教科書(shū)和工作以后的專(zhuān)業(yè)書(shū)是自己知識(shí)的縱向部分，它們會(huì)使你深刻和專(zhuān)長(zhǎng)；而那些閑書(shū)是你知識(shí)的橫向部分，它們會(huì)使你豐富而多彩。就如一棵樹(shù)，正書(shū)是你的主干，閑書(shū)是你的枝葉，沒(méi)有枝葉的主干必然沒(méi)有生命力，而沒(méi)有主干的枝葉也無(wú)以繁盛。

在本文中定義步態(tài)周期均為腳跟著地為步態(tài)的開(kāi)始，同側(cè)腳跟再次著地為一個(gè)步態(tài)的結(jié)束。根據(jù)圖像觀察和對(duì)比腳底壓力板信息，選擇平地行走的步態(tài)周期開(kāi)始點(diǎn)是膝關(guān)節(jié)最小值、髖關(guān)節(jié)最大值；上樓梯和上坡是從髖關(guān)節(jié)最大值開(kāi)始；下樓梯和下坡是從膝關(guān)節(jié)最小值開(kāi)始。由于每次行走的速度不恒定，所以對(duì)數(shù)據(jù)還需要周期歸一處理。得到5種步態(tài)下髖、膝、踝關(guān)節(jié)角度如圖1，其中長(zhǎng)虛線為髖關(guān)節(jié)角度，點(diǎn)劃線為膝關(guān)節(jié)角度，實(shí)線為踝關(guān)節(jié)角度。結(jié)合實(shí)際行走中的圖像信息及足底壓力信號(hào)分析在圖中劃分了步態(tài)周期，包括支撐前期、支撐中期、支撐末期和擺動(dòng)期。

圖1 5種步態(tài)的3個(gè)關(guān)節(jié)角度Fig.1 Joint angles during five gaits

2.2 提取特征值

一般從時(shí)域和頻域角度提取特征值信息，時(shí)域分析包括信號(hào)幅度大小、步態(tài)均值、方差等；頻域分析包括信號(hào)小波系數(shù)、能量分布等。而實(shí)際用于識(shí)別的特征值仍是均值、方差。對(duì)圖1中得到的每種步態(tài)單周期的數(shù)據(jù)進(jìn)行提取特征值，僅考慮髖關(guān)節(jié)的角度特征，得到10個(gè)特征值，分別為最小值（Nh）、最大值（Mh），支撐前期角度均值（ISh）、標(biāo)準(zhǔn)差（ISV），支撐中期角度均值（MSh）、標(biāo)準(zhǔn)差（MSV），支撐后期角度均值（TSh）、標(biāo)準(zhǔn)差（TSV），擺動(dòng)期角度均值（SWh）、標(biāo)準(zhǔn)差（SWV）。

2.3 計(jì)算平均影響值篩選特征值

利用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行步態(tài)識(shí)別，輸入特征值是影響識(shí)別效果的直接因素。目前，篩選特征值的方法很多［16?17］，針對(duì)本文特征值特點(diǎn)，用Dombi等提出的用平均影響值（MIV）來(lái)反映神經(jīng)網(wǎng)絡(luò)中權(quán)重矩陣的變化情況［18］的方法。MIV是用于確定輸入神經(jīng)元對(duì)輸出神經(jīng)元影響大小的一個(gè)指標(biāo)，能夠反映出神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣變化情況，被認(rèn)為是評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)相關(guān)性的最佳指數(shù)，其符號(hào)代表相關(guān)的方向，絕對(duì)值大小代表影響的相對(duì)重要性。

本文根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的MIV進(jìn)行特征值篩選，具體過(guò)程是在網(wǎng)絡(luò)訓(xùn)練完成后，將特征值分別增加和減小30%構(gòu)成新的兩組訓(xùn)練樣本，將新的樣本作為輸入利用已建成的網(wǎng)絡(luò)進(jìn)行仿真，得到2個(gè)仿真結(jié)果求出差值，即為變動(dòng)該自變量后對(duì)輸出產(chǎn)生的影響值（IV，impact value），由于神經(jīng)網(wǎng)絡(luò)權(quán)值初始值的隨機(jī)性，結(jié)果會(huì)變化，因此對(duì)上述10個(gè)髖關(guān)節(jié)角度的特征值選擇訓(xùn)練10次，取平均值，即得到對(duì)應(yīng)特征值的平均影響值（MIV），將求得的髖關(guān)節(jié)角度特征值的MIV進(jìn)行比較，從而得出相應(yīng)的結(jié)論。如表1所示。

表1 髖關(guān)節(jié)特征值的MIVTable1 MIV of hip characteristic value

由表1數(shù)據(jù)對(duì)比，得到相對(duì)權(quán)重較大的6個(gè)特征值，分別為Mh、SWh、ISV、MSV、TSV、SWV作為神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行步態(tài)識(shí)別。

3 概率神經(jīng)網(wǎng)絡(luò)識(shí)別步態(tài)

3.1 訓(xùn)練數(shù)據(jù)和參數(shù)設(shè)定

本文選取健康人，用VICON MX系統(tǒng)進(jìn)行實(shí)驗(yàn)，要求實(shí)驗(yàn)者無(wú)下肢肌肉或骨骼疾病，測(cè)得的193組實(shí)驗(yàn)數(shù)據(jù)（其中平地行走120組，下樓梯15組，下坡20組，上樓梯20組，上坡18組），任意選取163組數(shù)據(jù)作為訓(xùn)練集，30組數(shù)據(jù)作為測(cè)試集，以考察分類(lèi)器的識(shí)別率。構(gòu)造PNN輸入向量為篩選后的6個(gè)特征值，分別為髖關(guān)節(jié)角度最大值（Mh）、支撐前期角度標(biāo)準(zhǔn)差（ISV）、支撐中期角度標(biāo)準(zhǔn)差（MSV）、支撐后期角度標(biāo)準(zhǔn)差（TSV）、擺動(dòng)期角度均值（SWh）及標(biāo)準(zhǔn)差（SWV）。輸出層為識(shí)別出的步態(tài)，對(duì)應(yīng)平地行走、下樓、下坡、上樓梯、上坡5種步態(tài)，分別用數(shù)字1～5來(lái)表示作為輸出。PNN中的參數(shù)，s＝0.8，隱層神經(jīng)元數(shù)Q＝6。

3.2 模型的構(gòu)建和訓(xùn)練

使用Matlab的神經(jīng)網(wǎng)絡(luò)函數(shù)建立PNN網(wǎng)絡(luò)，并按照上述數(shù)值設(shè)定網(wǎng)絡(luò)參數(shù)。首先對(duì)比篩選特征值的有效性，分別采用篩選前和篩選后的特征值作為輸入，用相同的PNN進(jìn)行識(shí)別，對(duì)比識(shí)別結(jié)果。再將PNN與BPNN對(duì)比：1）在相同的識(shí)別率下比較建模時(shí)間；2）在相同的建模時(shí)間下比較識(shí)別率。PNN對(duì)163組訓(xùn)練樣本進(jìn)行訓(xùn)練的識(shí)別結(jié)果和識(shí)別誤差如圖2所示。圖2（a）中箭頭表示163組訓(xùn)練樣本對(duì)應(yīng)的步態(tài)類(lèi)別，圓圈表示163組訓(xùn)練樣本作為測(cè)試樣本時(shí)，PNN識(shí)別的結(jié)果。圖2（a）圖中線條重合，且圖2（b）圖中誤差均為0，可知PNN對(duì)訓(xùn)練樣本能有效識(shí)別。

圖2 PNN訓(xùn)練結(jié)果和誤差Fig.2 PNN training results and error

再利用BPNN對(duì)測(cè)試樣本進(jìn)行識(shí)別，分別取均方差0.001和0.1，和標(biāo)準(zhǔn)識(shí)別結(jié)果進(jìn)行對(duì)比，得到圖3。

圖3 BPNN取不同均方誤差的訓(xùn)練結(jié)果Fig.3 BPNN training results using different MSE

對(duì)比圖2（a）和圖3（a）、（b）可以看出，BPNN在均方誤差為0.001時(shí)的訓(xùn)練結(jié)果和PNN的訓(xùn)練結(jié)果相同，當(dāng)BPNN的均方誤差為0.1時(shí)，訓(xùn)練效果明顯下降。

利用PNN和BPNN分別對(duì)30組測(cè)試數(shù)據(jù)（18組平地行走、3組下樓、3組下坡、3組上樓、3組上坡）進(jìn)行步態(tài)識(shí)別，得到未篩選特征值作為輸入的PNN識(shí)別結(jié)果、篩選特征值作為輸入的PNN識(shí)別結(jié)果和均方誤差分別為0.001和0.1的BPNN識(shí)別結(jié)果。

圖4 PNN和BPNN的識(shí)別結(jié)果Fig.4 Recognition results of PNN and BPNN

通過(guò)對(duì)比以上實(shí)驗(yàn)結(jié)果可以看出：1）篩選特征值是必要的且MIV衡量特征值權(quán)重的方法是可行且有效的。利用PNN進(jìn)行步態(tài)識(shí)別，分別將未篩選的和篩選的特征值作為輸入，通過(guò)圖4（a）和（b）對(duì)比看出，篩選特征值后，識(shí)別率達(dá)到100%，而篩選前為73.3%；2）PNN和BPNN在模式識(shí)別方面是可行的，對(duì)于訓(xùn)練樣本，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練之后的誤差均可達(dá)到0。而PNN則在訓(xùn)練時(shí)間上優(yōu)于BPNN，對(duì)比情況如表2和3所示，在相同的識(shí)別率100%情況下，PNN計(jì)算時(shí)間為1.890 6 s，BPNN計(jì)算時(shí)間為4.984 3 s。而提高BPNN的計(jì)算時(shí)間到2.671 9 s時(shí)，其識(shí)別率為90%。在較復(fù)雜的步態(tài)情況下，PNN快速的特點(diǎn)將更加突出。

表2 相同識(shí)別率比較計(jì)算時(shí)間Table2 Computation time of the same recognition comparing rate

表3 近似計(jì)算時(shí)間比較識(shí)別率Table3 Approximate calculation of time to compare the recognition rate

4 結(jié)束語(yǔ)

本文利用VICON MX系統(tǒng)采集下肢髖、膝、踝關(guān)節(jié)角度信息，針對(duì)大腿截肢患者，提取髖關(guān)節(jié)時(shí)域的特征值，通過(guò)MIV特征值篩選，篩選出對(duì)識(shí)別影響較大，即權(quán)重較大的特征值，利用PNN進(jìn)行平地行走、上下樓梯和上下坡的步態(tài)識(shí)別。通過(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證該方法對(duì)于5種步態(tài)均能準(zhǔn)確識(shí)別，從識(shí)別結(jié)果可以看出此方法是有效的。文中提出的基于平均影響值特征篩選方法簡(jiǎn)單，方便快捷，同時(shí)概率神經(jīng)網(wǎng)絡(luò)需要優(yōu)化的參數(shù)少，計(jì)算效率高，便于步態(tài)識(shí)別系統(tǒng)的實(shí)時(shí)處理。

［1］PROTOPAPADAKI A，DRECHSLER W I.Hip，knee，an?kle kinematics and kinetics during stair ascent and descent in healthy young individuals［J］.Clinical Biomechanics，2007，22：203?210.

［2］張今瑜，王嵐，張立勛.基于多傳感器的實(shí)時(shí)步態(tài)檢測(cè)研究［J］.哈爾濱工程大學(xué)學(xué)報(bào)，2007，28（2）：218?221.

ZHANG Jinyu，WANG Lan，ZHANG Lixun.Real?time gait detection based on multiple sensors［J］.Journal of Harbin Engineering University，2007，28（2）：218?221.

［3］MATOVSKI D S，NIXON M S，MAHMOODI S，et al.The effect of time on gait recognition performance［J］.Informa?tion Forensics and Security，2012，7（2）：543?552.

［4］ZENG Wei，WANG Cong.Human gait recognition via deter?ministic learning［J］.Neural Network，2012，35：92?102.

［5］CHEN Lingling，YANG Peng，XU Xiaoyun，et al.Above? knee prosthesis control based on posture recognition by sup?port vector machine［C］／／2008 IEEE International Confer?ence on Robotics，Automation and Mechatronics.Chengdu，China，2008：307?312.

［6］高云園，佘青山，孟明，等.基于多源信息融合的膝上假肢步態(tài)識(shí)別方法［J］.儀器儀表學(xué)報(bào)，2010，31（12）：2683?2688.

GAO Yunyuan，SHE Qingshan，MENG Ming，et al.Recog?nition method based on multi?information fusion for gait pat?terns of above?knee prosthesis［J］.Chinese Journal of Scien?tific Instrument，2010，31（12）：2683?2688.

［7］耿艷利，楊鵬，劉作軍，等.大腿截肢者步速識(shí)別系統(tǒng)設(shè)計(jì)［J］.中國(guó)康復(fù)醫(yī)學(xué)雜志，2012，27（7）：651?653.

GENG Yanli，YANG Peng，LIU Zuojun，et al.Pace recog?nition system for thigh amputees［J］.Chinese Journal of Re?habilitation Medicine，2012，27（7）：651?653.

［8］SAEID F，HADIS A，SHEIKH S M.Multi?view neural net?work based gait recognition［C］／／World Academy of Sci?ence，Engineering and Technology.Istanbul，Turkey，2010：705?709.

［9］NEDA K，SAEID R.Gait recognition for human identifica?tion using ensemble of LVQ neural networks［C］／／2012 In?ternational Conference on Biomedical Engineering.Penang，Malaysia，2012：180?185.

［10］SU F C，WU W L.Design and testing of a genetic algorithm neural network in the assessment of gait patterns［J］.Medi?cal Engineering and Physics，2000，22（1）：67?74.

［11］趙永偉，張二虎，魯繼文，等.多特征和多視角信息融合的步態(tài)識(shí)別［J］.中國(guó)圖象圖形學(xué)報(bào)，2009，14（3）：388?393.

ZHAO Yongwei，ZHANG Erhu，LU Jiwen，et al.Informa?tion fusion of multi?features and multi?angle for gait recogni?tion［J］.Chinese Journal of Image and Graphics，2009，14（3）：388?393.

［12］XIAO Degui，YANG Lei.Gait recognition using Zernike moments and BP neural network［C］／／2008 IEEE Interna?tional Conference on Networking，Sensing and Control.Sanya，China，2008：418?423.

［13］TEE Connie，KAH O G M，BENG J T A.Personal recognition using multi?angles gait sequences［J］.Communications in Computer and Information Science，2011，189（2）：497?508.

［14］LEE Heesung，HONG Sungjun，KIM Euntai.Neural net?work ensemble with probabilistic fusion and its application to gait recognition［J］.Neurocomputing，2009，72（7?9）：1557?1564.

［15］WANG Fei，WEN Shiguang，WU Chengdong.Gait pattern estimation for intelligent bionic leg［C］／／Chinese Control and Decision Conference 2008.Yantai，China，2008：2216?2221.

［16］張葛祥，金煒東，胡來(lái)招.基于量子遺傳算法的特征選擇算法［J］.控制理論與應(yīng)用，2005，22（5）：810?813.

ZHANG Gexiang，JIN Weidong，HU Laizhao.Feature se?lection algorithm based on quantum genetic algorithm［J］.Control Theory and Applications，2005，22（5）：810?813.

［17］FU Zhongguang，QI Minfang，JING Yuan.Regression fore?cast of main steam flow based on mean impact value and sup?port vector regression［C］／／Power and Energy Engineering Conference（APPEEC）.Shanghai，China，2012：27?29.

Gait recognition by the mean impact value and probability neural network

YUAN Na1，YANG Peng1，2，LIU Zuojun1，2
（1.School of Control Science and Engineering，Heibei University of Technology，Tianjin 300130，China；2.Engineering Research Center of Intelligent Rehabilitation and Detecting Technology，Ministry of Education，Tianjin 300130，China）

In order to effectively control the intelligent lower limb prosthesis，the key is to effectively identify the gaits of the lower limb，including walk，up and down stairs or slopes，etc.Firstly，extract characteristic values of different gaits，screen the values with the mean impact value，and identify six feature values in accordance with the characteristics of the knee amputees，including the maximum value of hip joint angle，mean value in Initial Stance，mean value in middle stance，standard deviation in middle stance，standard deviation in swing phase of hip（Mh，ISh，MSh，SWh，MSV，SWV）.Secondly，use the probabilistic neural network（PNN）to recognize them，which can accurately identify the five kinds of gaits in this experiment，and compare with BP neural network.The results show that the method，which uses the means of mean impact value to screen eigenvalues and recognizes gait by probabilistic neural network，has good recognition rate and recognition speed.The recognition rate which compared to BP neural network，increases by more than 10%，thereby verifying the effectiveness and feasibility of this methed.

intelligent artificial limb；gait recognition；mean impact value；probabilistic neural network；feature se?lection

10.3969／j.issn.1006?7043.201309042

http：／／www.cnki.net／kcms／doi／10.3969／j.issn.1006?7043.201309042.html

TP183

A

1006?7043（2015）02?0181?05

2013?09?11.網(wǎng)絡(luò)出版時(shí)間：2014?11?27.

國(guó)家自然科學(xué)基金資助項(xiàng)目（61174009）.

袁娜（1988?），女，碩士研究生；

楊鵬（1960?），男，教授，博士生導(dǎo)師.

楊鵬，E?mail：yphebut＠aliyun.com.