袁　娜，劉　沛

(1.唐山學院 智能與信息工程學院，河北 唐山 063020；2.河北能源職業(yè)技術(shù)學院 機電工程系，河北 唐山 063000)

?

基于PLS特征篩選和改進結(jié)構(gòu)PNN的步態(tài)識別

袁娜1，劉沛2

(1.唐山學院 智能與信息工程學院，河北 唐山 063020；2.河北能源職業(yè)技術(shù)學院 機電工程系，河北 唐山 063000)

摘要：采集單側(cè)大腿截肢患者髖關(guān)節(jié)有代表性的加速度信號(雙軸)和角速度信號，并同時采集足底壓力信號，進行多運動模式識別，經(jīng)信號預(yù)處理提取出特征參數(shù)，利用偏最小二乘法(PLS)進行特征篩選，最后利用改進的概率神經(jīng)網(wǎng)絡(luò)(PNN)步態(tài)模式識別和分類，實現(xiàn)對下肢假肢在行走、上下坡、上下臺階的不同運動模式的有效識別。

關(guān)鍵詞：步態(tài)識別；偏最小二乘法；概率神經(jīng)網(wǎng)絡(luò)；先驗變量

0引言

隨著科技的進步，人們對生活質(zhì)量的要求越來越高，肢體殘疾人士更希望參與并融入社會生活，這就要求假肢的設(shè)計更加人性化、智能化。動力型假肢是今后假肢的發(fā)展方向[1]，而步態(tài)識別將是關(guān)鍵問題，只有識別出基本的步態(tài)(如上下樓梯、上下坡及平地行走)才能對假肢進行有效的控制，從而在行走時提供有效動力，滿足肢殘人士的正常生活需要。

步態(tài)識別的方法很多，比如利用隱馬爾科夫模型[2](HMM)對運動中下肢四張肌肉的肌電信號進行步態(tài)識別；利用支持向量機(SVM)[3]的方法對多步態(tài)下肌電信號和傳感器信號融合識別。隨著交叉學科的出現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)開始應(yīng)用到控制研究中，并且取得了令人滿意的成果。常見的人工神經(jīng)網(wǎng)絡(luò)主要有BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)[4]、Hopfield神經(jīng)網(wǎng)絡(luò)、過程神經(jīng)網(wǎng)絡(luò)[5]等可供選擇的模型，以及將遺傳算法[6]、小腦模型[7]等與神經(jīng)網(wǎng)絡(luò)結(jié)合進行識別。基于BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)在步態(tài)識別方面的應(yīng)用技術(shù)已比較成熟。但選用BP神經(jīng)網(wǎng)絡(luò)，訓練速度較慢，在輸入樣本數(shù)目較多時識別效果欠佳[8]。為了提高可靠性，采用的神經(jīng)網(wǎng)絡(luò)集成與概率融合的步態(tài)識別方法，則主要集中應(yīng)用于身份識別，應(yīng)用到假肢方面或?qū)僦R別步態(tài)起到指導作用的研究較少。針對步態(tài)自動分類提出的過程神經(jīng)網(wǎng)絡(luò)，并引入粒子群改進網(wǎng)絡(luò)權(quán)值來克服收斂速度慢和局部最小問題的識別方法，但仍無法保障準確度，在控制假肢方面存在一定的風險。利用患者的表面肌電信號，通過支持向量機方法[9-10]進行步態(tài)識別，以及利用腿部角度傳感器和足底壓力傳感器[11]，通過BP神經(jīng)網(wǎng)絡(luò)和有限狀態(tài)機的方法進行步態(tài)識別，但因現(xiàn)階段研究使用的傳感器信號易受電磁干擾，準確性不高，使得多步態(tài)測量時的穩(wěn)定性不易保持。而概率神經(jīng)網(wǎng)絡(luò)(PNN)作為RBF神經(jīng)網(wǎng)絡(luò)的一種變化形式[12]，通過競爭函數(shù)作為輸出傳遞函數(shù)，由其網(wǎng)絡(luò)特點決定其具有訓練時間短、不易產(chǎn)生局部最優(yōu)且分類正確率較高的優(yōu)點。

因此筆者對傳感器系統(tǒng)采集的步態(tài)信息進行濾波、劃分步態(tài)周期、提取特征值，并利用偏最小二乘法(PLS)篩選特征值后，利用PNN構(gòu)造先驗變量與PNN結(jié)合識別的網(wǎng)絡(luò)結(jié)構(gòu)，與普通的PNN識別進行對比，利用這兩種網(wǎng)絡(luò)結(jié)構(gòu)對比步態(tài)識別結(jié)果。

1概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(PNN)是徑向基神經(jīng)網(wǎng)絡(luò)的一種，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1　模式分類結(jié)構(gòu)

圖2　模式單元

2傳感器系統(tǒng)采集髖關(guān)節(jié)信號

針對膝上假肢設(shè)計控制源，將傳感器系統(tǒng)固定在大腿假肢接受腔內(nèi)，由加速度計(雙軸)、陀螺儀和足底壓力片進行步態(tài)識別。加速度計MMA7361LC用于表征人體行走過程中矢狀軸(即水平面沿行走方向)和垂直軸的殘肢的速度變化情況；陀螺儀ENC-03表征殘肢大腿與垂直軸的角度變化情況，反應(yīng)髖關(guān)節(jié)的屈、伸程度；足底壓力的測量選用薄膜開關(guān)式4×4壓力片，分別安裝在腳掌和足跟，記錄足跟離地和足趾離地的時刻，用于對加速度計和陀螺儀信號的步態(tài)周期進行采集。

2.1信號的采集

針對5種不同的步態(tài)，搭建上/下樓梯和上/下坡的實驗平臺。一個6級臺階、一個坡度為15°的斜坡，臺階和斜坡之間用一個平面板連接，用于進行上下樓梯和上下坡的實驗，實現(xiàn)對路況的識別。在健康人大腿單側(cè)的髖關(guān)節(jié)佩戴加速度計和陀螺儀，通過塑膠鞋套將足底壓力片固定于腳掌和足跟處。實驗者均為健康人，對5種步態(tài)分別采集15組，每組完成3個完整的步態(tài)周期，重復實驗。

2.2信號預(yù)處理

2.2.1加速度計和陀螺儀信號的濾波

利用db5小波進行7層濾波[13]，以平地行走傳感器信號為例，得到濾波前后的圖形如圖3所示。從圖中可以看出濾波效果明顯，濾除掉了高頻噪聲，而沒有影響原波形的走勢，保留了原來的信號特征，圖形呈現(xiàn)明顯的周期性。

圖3　平地行走信號濾波前后對比圖

2.2.2足底壓力

圖4　足底壓力信號歸一并劃分步態(tài)周期

對于輸出高低電平的足底壓力信號，進行歸一化處理，將取值設(shè)定為0或0.5的高低電平，當腳掌和足跟壓力均為0時，表示步態(tài)處于擺動期；當足跟有壓力，腳掌壓力為0時，表示步態(tài)處于支撐前期；當腳掌和足跟均有壓力時，表示步態(tài)處于支撐中期；當腳掌有壓力，足跟壓力為0時，表示步態(tài)處于支撐末期。以此作為劃分步態(tài)周期的標準。設(shè)定步態(tài)階段用數(shù)字表示，其中2表示支撐前期，3表示支撐中期，4表示支撐末期，5表示擺動期。得到的足底壓力信號歸一處理后足底壓力信號和表征步態(tài)階段的梯形圖如圖4所示。2.2.3提取特征值

人體由靜止開始運動的過程，從步態(tài)周期劃分來說是先從支撐末期開始，進入擺動期，而后從支撐前期開始完整的步態(tài)周期，而由于支撐末期時間較短，信號的特征不明顯，因此根據(jù)得到的5種步態(tài)傳感器圖形，通過前后腳掌壓力劃分步態(tài)周期后，提取擺動期和支撐前期的特征值：分別為一個步態(tài)周期中陀螺儀支撐前期和擺動期平均值、方差和標準差，用符號表示為averISg，averSPg，varISg，varSPg，stdISg，stdSPg；支撐前期和擺動期水平方向加速度信號平均值、方差和標準差，用符號表示為averISa1，averSPa1，varISa1，varSPa1，stdISa1，stdSPa1；支撐前期和擺動期豎直方向加速度信號平均值、方差和標準差，用符號表示為averISa2，averSPa2，varISa2，varSPa2，stdISa2，stdSPa2；擺動期3個傳感器的最大值，用符號表示為maxSPg，maxSPa1，maxSPa2；擺動期的面積特征值，分別為陀螺儀、加速度計水平方向和加速度計豎直方向在擺動期前50個點和100個點對應(yīng)的3個傳感器信號的增面積×10倍，用符號表示為S1，S2，S3，S4，S5，S6，分別和x軸圍成面積(梯形)/2.5倍，用符號表示為S7，S8，S9，S10，S11，S12，共33個特征值。

圖5　陀螺儀面積特征值示意圖

面積特征值的計算圖形如圖5所示。圖中以陀螺儀信號為例，假設(shè)截取的x軸的長度為100個采樣點，說明S2和S8的意義：S2表示在擺動期開始至100個采樣點，陀螺儀信號相對于擺動開始點的增加的面積，為了使數(shù)值便于比較，將面積擴大10倍得到S2，對應(yīng)若是50個采樣點，得到S1；S8表示與y=0即x軸，在擺動期開始到100個采樣點期間圍成的增量面積，除以2.5后得到S8，對應(yīng)50個采樣點，得到S7。3PLS篩選特征值

偏最小二乘法(Partial Least Squares method，簡稱PLS)是一種新型的多元統(tǒng)計數(shù)據(jù)分析方法[14]，由S.Wold和C.Albano等人在1983年首次提出。偏最小二乘法把模型式的方法和認識性的方法有機地結(jié)合起來，它通過最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配。用最簡的方法求得一些絕對不可知的真值，而令誤差平方之和為最小。在一個算法下同時實現(xiàn)回歸建模(多元線性回歸)、數(shù)據(jù)結(jié)構(gòu)簡化(主成分分析)以及兩組變量之間的相關(guān)性分析(典型相關(guān)分析)。

利用Matlab編寫PLS程序，特征值編號，運行100步生成柱狀圖，分3種情況對特征值進行篩選。

3.1所有特征值進行篩選(擺動期和支撐前期)

運行結(jié)果：

Maximum C.V.：99.9967 obtained with 19 variables(19 comp.)：32 27 30 23 25 1 22 31 20 21 6 18 8 5 10 4 12 17 26

對應(yīng)的特征值為：S11，S6，S9，S2，S4，averISg，S1，S10，maxSPa1，maxSPa2，verSPa2，stdSPa2，S7，averISa2，varSPa1，averSPa1，varSPa2，stdISa2，S5

篩選結(jié)果見圖6。

3.2僅考慮平地、下樓梯和下坡的特征值篩選(擺動期和支撐前期)

運行結(jié)果：

Maximum C.V.：100 obtained with 14 variables(14 comp.)：23 18 3 21 14 16 9 22 7 1 6 17 19 4

對應(yīng)的特征值為：S2，stdSPa2，averISa1，maxSPa2，stdSPg，stdSPa1，varISa1，S1，varISg，averISg，averSPa2，stdISa2，maxSPg，averSPa1

篩選結(jié)果見圖7。

圖6　所有特征值PLS篩選結(jié)果

圖7　僅考慮平地、下樓梯和下坡的特征值PLS篩選結(jié)果

3.3僅考慮上樓梯和上坡的特征值篩選(擺動期和支撐前期)

運行結(jié)果：

Maximum C.V.：99.9967 obtained with 15 variables(15 comp.)：27 21 26 32 4 28 6 19 10 23 16 31 12 14 29

對應(yīng)的特征值為：S6，maxSPa2，S5，S11，averSPa1，S7，averSPa2，maxSPg，varSPa1，S2，stdSPa1，S10，varSPa2，stdSPg，S8

篩選結(jié)果見圖8。

圖8　僅考慮上樓梯和上坡的特征值PLS篩選結(jié)果

4改進PNN網(wǎng)絡(luò)結(jié)構(gòu)

本文的目的是利用PNN網(wǎng)絡(luò)結(jié)構(gòu)識別5種基本步態(tài)：平地行走、下樓梯、下坡、上樓梯和上坡。因此考慮PNN網(wǎng)絡(luò)結(jié)構(gòu)和篩選的特征值的特點，設(shè)計了先驗變量與PNN結(jié)合識別的方法。

對于5種步態(tài)的分類實質(zhì)是兩大類步態(tài)的劃分：第一類(包括平地行走、下樓梯和下坡)和第二類(包括上樓梯和上坡)。每一類中的步態(tài)具有相似的角度變化趨勢。因此在識別步態(tài)時，可以先找到明顯區(qū)分這兩大類步態(tài)的顯著特征值，將步態(tài)劃分出兩大類，再從兩大類中找到到底是哪種步態(tài)。網(wǎng)絡(luò)流程如圖9所示。這樣做簡化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，縮短了網(wǎng)絡(luò)的搭建時間，同時也縮短了識別出準確步態(tài)的時間。

圖9　先驗變量與PNN結(jié)合的識別流程圖

4.1訓練先驗變量與PNN結(jié)合的結(jié)構(gòu)

比較提取的特征值特點，選定先驗變量為varSPa2和averISa2，先利用先驗變量與對應(yīng)的特征值比較。若varSPa2<0.03，且averISa2>-0.07，則步態(tài)屬于第一大類。反之，若varSPa2≥0.03，且averISa2≤-0.07，則步態(tài)屬于第二大類。需要訓練的神經(jīng)網(wǎng)絡(luò)PNN1和PNN2的輸入特征向量和net12的輸入特征向量不變，將篩選好的特征向量組成輸入層矩陣分別用于訓練PNN1和PNN2，并保存為網(wǎng)絡(luò)net11.net和net22.net。

對網(wǎng)絡(luò)進行訓練，訓練后的效果和誤差如圖10和圖11所示，對于5種步態(tài)225組實驗數(shù)據(jù)的識別，僅有1組下樓梯識別成下坡。

保存網(wǎng)絡(luò)：net11.net，net22.net。

圖10　net11訓練結(jié)果和誤差

圖11　net22訓練結(jié)果和誤差

4.2訓練傳統(tǒng)的PNN

利用篩選后擺動期和支撐期特征值作為PNN的輸入。對網(wǎng)絡(luò)進行訓練，訓練后的效果和誤差如圖12所示，對于5種步態(tài)225組實驗數(shù)據(jù)的識別，僅有1組下樓梯識別成下坡。

保存網(wǎng)絡(luò)：net12.net。

圖12　net12訓練結(jié)果和誤差

4.3先驗變量與PNN結(jié)合的識別

將PNN1和PNN2訓練好的網(wǎng)絡(luò)net11和net22保存后，作為以后對步態(tài)數(shù)據(jù)識別的工具。分別輸入原始信號，每組步態(tài)共15組，經(jīng)過濾波、提取特征值、篩選特征值，利用保存的網(wǎng)絡(luò)進行識別，識別結(jié)果如圖13所示。

圖13　net11和net22的識別結(jié)果

4.4傳統(tǒng)的PNN的識別

同理，利用保存的網(wǎng)絡(luò)net12進行識別，225組實驗輸入原始采集信號，提取擺動期和支撐期特征值識別，僅1組數(shù)據(jù)識別錯誤，識別結(jié)果見圖14。

圖14　net12的識別結(jié)果

4.5識別對比

將改進的PNN和傳統(tǒng)的PNN兩種網(wǎng)絡(luò)結(jié)構(gòu)，對相同的數(shù)據(jù)進行識別，識別結(jié)果和識別時間對比，如表1所示。

表1　對比識別結(jié)果和時間

5結(jié)論

利用改進的PNN和傳統(tǒng)的PNN兩種網(wǎng)絡(luò)結(jié)構(gòu)，對假肢傳感器系統(tǒng)采集的信號進行步態(tài)識別。第一種是利用先驗變量varSPa2和averISa2將運動步態(tài)分成兩大類：第一類包括平地行走、下樓梯和下坡，利用篩選的擺動期和支撐前期14個特征值訓練PNN1；第二類包括上樓梯和上坡，利用篩選的15個特征值訓練PNN2，進行步態(tài)識別。第二種是直接利用篩選的擺動期和支撐前期19個特征值訓練PNN網(wǎng)絡(luò)。

從網(wǎng)絡(luò)結(jié)構(gòu)上看，將步態(tài)劃分為兩大類進行分別識別的方法，其網(wǎng)絡(luò)結(jié)構(gòu)更為簡單，網(wǎng)絡(luò)訓練時間縮短。從對225組實驗數(shù)據(jù)識別驗證的結(jié)果中可以看出，利用先驗變量和PNN結(jié)合的識別方式，在保證識別率不低于90%的前提下，識別時間短，且效果明顯，平均縮短了0.19 s。因此針對步態(tài)規(guī)律性強的實驗者，采用第一種識別方法優(yōu)勢明顯。

參考文獻：

[1]Unal R， Carloni R， Hekman E E G， et al. Koopman conceptual design of an energy efficient transfemoral prosthesis[C]. The 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems，2010：343-348.[2]孟明，佘青山，羅志增，等.HMM在下肢表面肌電信號步態(tài)識別中的應(yīng)用[J].華中科技大學學報，2010，39：176-179.

[3]He Huang， Fan Zhang， Levi J Hargrove， et al. Continuous locomotion-mode identification for prosthetic legs based on neuromuscular-mechanical fusion[J]. IEEE Transactions on Biomedical Engineering，2011，58(10)：2867-2875.

[4]譚建輝，潘保昌.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的紅外步態(tài)識別[J].現(xiàn)代計算機(專業(yè)版)，2011(5)：3-7.

[5]肖軍，蘇潔，鄭波，等.智能仿生腿在不同路況下的步態(tài)識別系統(tǒng)研究[C].2007中國控制與決策學術(shù)年會論文集，2007：383-386.

[6]Chai Yanmei， Wang Qing， Jia Jingping， et al. A novel human gait recognition method by segmenting and extracting the region variance feature[C]. Proceedings-International Conference on Pattern Recognition，2006.

[7]喻洪流，錢省三，沈凌，等.基于小腦模型神經(jīng)網(wǎng)絡(luò)控制的步速跟隨智能膝上假肢[J].中國組織工程研究與臨床康復，2007，11(31)：6233-6235.

[8]謝林海，劉相濱.基于不變矩特征和BP神經(jīng)網(wǎng)絡(luò)的步態(tài)識別[J].微計算機信息，2007，19：279-281.

[9]Tee Connie， Kah Ong Goh Michael， Beng Jin Teoh Andrew. Personal recognition using multi-angles gait sequences[C]. Communications in Computer and Information Science，2011：497-508.

[10]Chen Lingling， Yang Peng， Xu Xiaoyun， et al. Above-knee prosthesis control based on posture recognition by support vector machine[C].2008 IEEE International Conference on Robotics， Automation and Mechatronics. Chengdu，2008：307-312.

[11]高云園，孟明，羅志增，等.利用多源運動信息的下肢假肢多模式多步態(tài)識別研究[J].傳感器技術(shù)學報.2011，24(11)：1574-1578.

[12]許延偉，劉希玉.神經(jīng)網(wǎng)絡(luò)用于模式識別的幾種主要方法及比較[J].信息技術(shù)與信息化，2005，4：120-123.[13]康桂文，蔣恒彪，左建章.基于小波閾值去噪理論的監(jiān)測數(shù)據(jù)處理方法[J].測繪科學，2009，34(1)：117-118.[14]林燕.偏最小二乘變量篩選法及其應(yīng)用研究[D].廈門：廈門大學，2010.

(責任編校：夏玉玲)

Gait Recognition Based on Partial Least Squares Method and Modified Probabilistic Neural Network

YUAN Na1， LIU Pei2

(1. College of Intelligence and Information Engineering，Tangshan University，Tangshan 063020， China；2. Department of Electrical and Mechanical Engineering， Hebei Vocational College of Energy and Technology， Tangshan 063000， China)

Abstract：The authors of this paper propose a method of identifying the different motion patterns of artificial legs walking on the level ground， down or up stairs and slopes by first collecting the typical acceleration signal(dual-axis) and the angular velocity signal of the hip joint of the patients with one leg amputated， and the plantar pressure signal to recognize the motion patterns， then pre-processing the signals to extract the feature parameters and selecting them with partial least squares (PLS) method， and finally finding and classifying the gait pattern through improved probabilistic neural network (PNN).

Key Words：gait recognition； partial least squares method； probabilistic neural network； priori variable

作者簡介：袁娜(1988-)，女，河北唐山人，碩士，主要從事計算機智能控制研究。

中圖分類號：TP183

文獻標志碼：A

文章編號：1672-349X(2016)03-0047-06

DOI：10.16160/j.cnki.tsxyxb.2016.03.014