曹祥紅,劉 磊,2*,楊 鵬,宋寅卯

(1.鄭州輕工業(yè)學院建筑電氣與智能化系,鄭州 450002;2.河北工業(yè)大學控制科學與工程學院,天津 300130;3.智能康復裝置與檢測技術教育部工程研究中心,天津 300130)

利用多源信息和極限學習機的人體運動意圖識別*

曹祥紅1,劉 磊1,2*,楊 鵬2,3,宋寅卯1

(1.鄭州輕工業(yè)學院建筑電氣與智能化系,鄭州 450002;2.河北工業(yè)大學控制科學與工程學院,天津 300130;3.智能康復裝置與檢測技術教育部工程研究中心,天津 300130)

快速準確的步態(tài)識別是實現(xiàn)智能假肢靈活控制的基礎與前提,步態(tài)(平地行走、上下樓梯和上下坡)的有效識別是關鍵。為了克服由單一信息源無法辨識復雜多步態(tài)的難題,搭建人體步態(tài)多源運動信息系統(tǒng)獲取髖關節(jié)角度信號、加速度信號和足底壓力信號,利用足底壓力信號將人體步態(tài)劃分為4個片段,并根據(jù)人體步態(tài)的特點確定了4個片段下髖關節(jié)角度、髖關節(jié)加速度信號的特征值,采用核主成分分析(KPCA)對原始特征的組合進行融合,得到信息互補的特征值,最后利用極限學習機(ELM)進行識別,實驗結果表明該方法對平地行走、上樓、下樓、上坡、下坡5種步態(tài)的平均識別率達到96.78%,平均識別時間0.52 s,明顯高于BP、支持向量機(SVM)等方法。

智能假肢;步態(tài)識別;極限學習機;多源信息融合;髖關節(jié)運動信號

根據(jù)2010年6月9日世界衛(wèi)生組織發(fā)布的《世界殘疾報告》,全球下肢截肢約為237萬人(包含膝上截肢者134萬人),造成下肢截肢的主要原因是疾病和外傷。穿戴高性能的智能假肢是截肢者重返社會的重要保證。智能化、功能更加完善的假肢成了急切的需求,也成了假肢發(fā)展的方向。1990年,Zahedi發(fā)明了世界上第1個智能下肢假肢IP(Intelligent Prosthesis)[1]。Power Knee動力膝可以使假肢穿戴者完成上下樓梯等復雜步態(tài)[2-3]。在智能假肢的研究中,步態(tài)識別算法的研究與應用成為智能假肢的關鍵技術之一。

目前,步態(tài)識別的信息源可分為圖像、視頻信號;和運動傳感器信號兩類?；趫D像、視頻的識別方法是通過攝像頭對人進行實時拍照和監(jiān)視,提取圖像和視頻特征值識別人體活動。該方法僅能在特定的區(qū)域進行識別,靈活性差?；谶\動傳感器與圖像方法所需的攝像裝置相比成本低、體積小、便于攜帶。由人體運動時測得的傳感器的數(shù)據(jù)來判斷人體步態(tài),該方法不受環(huán)境影響;較好的可移動性。加速度傳感器設備簡單、成本低,信息量豐富,不受時間和空間的限制,具有體積小、靈敏度高、功耗低的特點。研究人員利用加速度傳感器采集到人體行走時的加速度信號,對加速度信號進行有效的特征提取,利用分類器識別出相應的動作。足底壓力是人體在平地行走、上下樓等步態(tài)中,足底受到的一個與地面垂直的反作用力,在足底安裝合適的壓力傳感器,可獲取足與地面的接觸狀況等信息。足底壓力可以方便的識別具體步態(tài)下的支撐前期、支撐中期、支撐后期、擺動期。針對步態(tài)識別,為了能全面的描述步態(tài)信息,本文建立了一個由髖關節(jié)角度、髖關節(jié)加速度和足底壓力等傳感器組成的步態(tài)多源運動信息采集系統(tǒng)。

分類算法的好壞直接關系到整個識別系統(tǒng)的識別能力是否能滿足要求,能否正確實現(xiàn)步態(tài)的識別。河北工業(yè)大學楊鵬等將髖膝踝關節(jié)角度作為步態(tài)識別信息源,利用BP網(wǎng)絡識別大腿截肢者5種步態(tài)[4],BP網(wǎng)絡需要較多的學習樣本,且訓練速率固定,初始權值和閾值選擇隨機性強,很難求得全局最優(yōu)解。羅志增[5]等利用遺傳算法進化BP網(wǎng)絡得到全局最優(yōu)解。近年來,SVM在步態(tài)識別領域得到了廣泛的應用[6]。杭州電子科技大學的孟明[7]等分析下肢表面肌電信號,在SVM核方法基礎上,構造基于二叉樹結構的WSVM識別平地行走的5種細分步態(tài),平均識別率達到了85%。文獻[8]為了克服SVM參數(shù)難以確定的缺點提出基于簡約SVM多元分類的步態(tài)識別方法,平均識別率達到了89%。He Huang[9]提出將肌電信號、力矩等信息融合作為步態(tài)識別信息源研究利用SVM識別運動模式的方法,SVM中的懲罰參數(shù)和核參數(shù)對識別結果影響較大,若參數(shù)選取不當,會降低步態(tài)識別準確性。極限學習機ELM(Extreme Learning Machine)最近由Huang等根據(jù)摩爾-彭羅斯廣義逆矩陣理論[10]提出,ELM克服了BP神經(jīng)網(wǎng)絡隱含層參數(shù)人為設定的缺點,由自身隨機產(chǎn)生的。ELM與SVM相比,極大地提高了網(wǎng)絡的學習速度和泛化能力,在理論上 Huang 等人已經(jīng)證明了ELM不會陷入局部最優(yōu)解以及出現(xiàn)過擬合的問題。因ELM學習速度快,泛化性好,故在模式分類方面得到廣泛應用[11],所以本文在多源信息特征提取基礎上,利用ELM分類平地行走、上樓、下樓、上坡、下坡5種步態(tài)。

1 極限學習機基本理論

極限學習機(ELM)是一種簡單有效的單隱層前饋神經(jīng)網(wǎng)絡(SLFNs)學習算法[12-13]。典型的單隱層前饋神經(jīng)網(wǎng)絡結構圖1所示。

圖1 典型的單隱層前饋神經(jīng)網(wǎng)絡結構

假設存在一個單隱層前饋神經(jīng)網(wǎng)絡,包含有L個隱含層、N個訓練樣本,激活函數(shù)為g(x)的標準單隱層前饋神經(jīng)網(wǎng)絡可表述為:

(1)

式中:ωi表示連接第 i個隱層節(jié)點與輸入神經(jīng)元的權值,βi表示連接第i個隱層節(jié)點和輸出神經(jīng)元的權值,bi表示第 i個隱層節(jié)點的偏置,xj、tj表示樣本導師。對于N個樣本,式(1)可寫為矩陣形式的等式

Hβ=T

(2)

式中:

(3)

(4)

H中的第i列是第i個隱層節(jié)點對應于N個輸入樣本x1,x2,…,xN的輸出向量。

設給定的訓練集為(xi,yi)∈Rn×Rm,i=1,2,…,N,L表示隱含層個數(shù),g(x)表示激活函數(shù),ELM算法包括以下3部分:①隨機確定權重向量ωi和偏置bi,其中i=1,2,…,N;②計算隱含層輸出矩陣H,并求其廣義逆矩陣H*;③計算輸出權值b:b=H*T。

綜上所述,ELM在計算過程中不用調整ωi和迭代步數(shù),在一次大循環(huán)中就可以計算出輸出權值。也就是說,ELM的輸出權值ωi在訓練過程中不用在過多的調整,賦值具有一定的隨機性。

圖3 5種步態(tài)的5種信號

2 人體運動意圖識別實驗

2.1 實驗方案

本實驗利用ViconMX三維步態(tài)分析系統(tǒng),該系統(tǒng)可同時采集髖關節(jié)、膝關節(jié)、踝關節(jié)加速度和角度信號。文獻[14-16]研究表明,只需測試前腳掌和腳后跟兩點的壓力便能夠檢測支撐前期、支撐中期、支撐后期、擺動期。本文中壓力傳感器用于檢測腳尖和腳后跟的狀態(tài),選擇薄膜鍵盤產(chǎn)生開關量信號檢測壓力信號。圖2給出了實驗平臺,其中,上、下的樓梯為高10cm的模擬樓梯,上、下坡的坡度為15°。測量平地行走、下樓梯、下坡、上樓梯和上坡5種步態(tài)的髖關節(jié)角度、加速度和足底壓力信號。實驗者共計30名,表1給出了實驗者的基本信息。每名實驗者分別做出平地行走、上樓、下樓、上坡、下坡各20次,實驗次數(shù)總計為100次。圖3給出了5種步態(tài)5種信號波形圖,黑色實線表示腳后跟壓力信號;黑色虛線表示腳尖壓力信號;曲線(實線)表示加速度X軸信號;曲線(長虛線)表示加速度Y軸信號;曲線(短虛線)表示髖關節(jié)角度信號。

圖2 實驗平臺

性別體重/kg身高/mm腿長/mm膝寬/mm踝寬/mm男(15位)63．00±14．771750．00±30．45990．00±31．95104．00±10．0074．39±7．02女(15位)54．00±2．001638．62±11．41910．00±48．0095．09±5．7465．00±4．00

2.2 步態(tài)周期分解

人體步態(tài)具有協(xié)調性、均衡性和周期性特點。每個步態(tài)周期可分為支撐前期、支撐中期、支撐末期、擺動期。支撐前期約占單個步行周期的15%。支撐中期約占單個步態(tài)周期的35%。支撐末期約占單個步態(tài)周期的10%。擺動期約占單個步態(tài)周期的40%。本文通過將足底壓力傳感器安裝在后腳跟和前腳掌來分別采集前后足底的壓力,從而將一個步態(tài)周期劃分為四部分。當一個步態(tài)周期開始時,后腳跟壓力信號為1,前腳掌壓力信號為0時為支撐前期;隨后,后腳跟壓力信號為1,前腳掌壓力信號也為1的階段為支撐中期;后腳跟壓力信號為0,前腳掌壓力信號為1時為支撐末期;后腳跟與前腳掌壓力信號均為0時為擺動期,如圖4所示。

圖4 足底壓力信號以及步態(tài)細分模式

2.3 特征提取

為了識別5種步態(tài),就必須找到能夠區(qū)分5種步態(tài)的物理量,這里稱為特征值。特征值提取是人工智能與模式識別中的一個重要環(huán)節(jié),它直接影響著特征選擇的結果和分類器的設計。髖關節(jié)角度特征提取時,首先求出每種步態(tài)下支撐期和擺動期的角度均值θ,然后在分別求出每種步態(tài)細分模式下的角度平均值θ1,計算二者比值作為角度特征值。

(5)

(6)

(7)

式中:θi是采樣區(qū)間內(nèi)髖關節(jié)角度值,Ni是對應時期的采樣個數(shù),ni為細分步態(tài)下的采樣點數(shù)。

圖5 步態(tài)周期劃分圖

時域特征直接由時域加速度信號提取而來,計算量較小,過程簡單,本文選擇細分步態(tài)模式的方差、峰度、偏斜度、四分位間距、相關系數(shù)作為步態(tài)時域特征。文獻[17-19]給出了方差、峰度、偏斜度、相關系數(shù)的定義,本文重點介紹四分位距。

四分位距為第3四分位數(shù)Q3和第一四分位數(shù)Q1的差距,加速度數(shù)據(jù)ai由大到小排序為bi,i=1,2,…,N。四分位數(shù)的位置表示為Pj=1+(N-1)j/4,(j=1,2,3)表示分位個數(shù),kj代表的Pj整數(shù)部分,rj代表小數(shù)部分。式8和9給出了四分位數(shù)Qj和四分位距W的表達式:

Qj=bkj+(bkj+1-bkj)rj

(8)

W=Q3-Q1

(9)

時域分析相對比較方便,但卻未能刻畫出時域信息和頻域信息之間的關系。人體行走過程中,去除重力加速度后的真實值不僅體現(xiàn)了加速度的大小,還提供了加速度的方向信息。由于重力方向不變,加速度矢量的真實值與重力方向夾角的小波能量可以揭示出運動過程中加速度方向變化的本質,因此本文選其作為特征值。

人體沒有行走時,傳感器只受重力影響,計算此時X、Y軸輸出數(shù)據(jù)的平均值X0和Y0,即可得到重力加速度,表示為:G=(X0,Y0)。設Xi和Yi分別為加速度傳感器第i個采樣數(shù)據(jù),則Mi=(Xi,Yi)表示加速度傳感器的第i個測量值,因此加速度矢量第i個真實值可以估算為Mi-G。因此,采集第i個數(shù)據(jù)時的真實值和重力方向之間的夾角表示為:

(10)

小波能量為信號經(jīng)過小波分解后細節(jié)分量系數(shù)的平方和,設μl為第l個窗內(nèi)θi的集合,db5小波作為母小波,對μl進行8層分解,提取第7層和第8層細節(jié)分量系數(shù),計算小波能量。

(11)

式中:cdμlk表示對μl進行小波分解后第k層細節(jié)分量系數(shù);El表示第l個窗的小波能量值。

2.4 特征值融合

主成分分析PCA(PrincipalComponentAnalysis)是一種經(jīng)典的特征值融合算法,該方法利用線性變換將多個變量選擇出幾個較少的變量,獲得其中重要的數(shù)據(jù),從而減少了大量干擾數(shù)據(jù),但是,對于步態(tài)識別中的多源信號特征值,其統(tǒng)計特征在空間分布呈現(xiàn)非線性步態(tài)特征本質是非線性的,因此利用PCA是不合適的,核主成分分析KPCA(KernelPrincipalComponentAnalysis)是PCA的非線性擴展,保持了PCA的優(yōu)點,Choi等證明了KPCA在多源信息融合上的應用要優(yōu)于PCA,所以本文利用KPCA融合步態(tài)特征值。文獻[20]給出了KPCA的介紹,本文不在詳細說明。

圖6 算法流程圖

2.5 算法流程圖

利用多源信息和ELM識別步態(tài)算法流程圖如圖6所示,主要包括:多源信息信號采集以及信號歸一化處理;利用足底壓力信息將步態(tài)分為支撐前期、支撐中期、支撐后期、擺動期;然后提取每個細分步態(tài)模式下髖關節(jié)角度、加速度特征值,利用KPCA融合特征值,最后利用ELM分類5種步態(tài)。

3 實驗結果分析

實驗中共采集了30名實驗對象的3 000組樣本數(shù)據(jù)。為了避免行走速度對識別結果的影響,每個實驗對象以自己的習慣正常速度行走。建立模板時隨機選用了15個人的1 500組數(shù)據(jù),分別對5種步態(tài)進行建模。驗證測試階段選用了其余15個人的1 500組數(shù)據(jù)對所構造的模型進行測試。判斷該模型的好壞其評價標準為識別率和識別時間,用于確定算法的最優(yōu)參數(shù)。按照2.3節(jié)提取步態(tài)特征值,特征值包括:細分步態(tài)模式下的角度均值比、方差、峰度、偏斜度、相關系數(shù);四分位間距及小波能量,一共22維。為了規(guī)范特征值取值范圍,將所有特征值歸一化至[-1,1],通過對特征進行核主成分分析(KPCA),進行融合處理,前11個主成分累積貢獻率達到了95.61%,這前11個主成分在一定程度上可以代表步態(tài)的特征,經(jīng)過KPCA處理后的特征值作為ELM的輸入樣本。

圖7 貢獻率最大的前11個主成分累積貢獻率

圖8 3種激勵函數(shù)對應的隱含層節(jié)點數(shù)與識別 正確率的關系

ELM參數(shù)確定的過程相對簡單,隱含層節(jié)點數(shù)是影響模型訓練時間以及分類準確率的重要因素。只需在確定激勵函數(shù)的情況下隨機產(chǎn)生隱含層節(jié)點數(shù)目。為了提高分類器的識別能力,首先對訓練樣本應用ELM,隱含層結點數(shù)目從20 到 200 逐漸遞增,常用的激勵函數(shù)為Sine、Sigmoidal、Hardlim函數(shù),識別結果如圖8所示,ELM算法的識別率、識別時間為衡量識別結果好壞的重要參數(shù)。當隱含層節(jié)點數(shù)較少時,Sigmoidal激勵函數(shù)的識別率優(yōu)于其余兩種激勵函數(shù)。當隱含層節(jié)點數(shù)大于 120 時,Hardlim 激勵函數(shù)的識別率優(yōu)于其余兩種激勵函數(shù)。隱含層節(jié)點數(shù)目越少,網(wǎng)絡越簡單,所以選用 Sigmoidal函數(shù)。圖 9給出了3種激勵函數(shù)對應的隱含層節(jié)點數(shù)與網(wǎng)絡訓練時間的關系,當隱含層節(jié)點數(shù)位于[20,50],訓練時間有一定的優(yōu)勢。為保證ELM具有良好的泛化能力,本文選用 Sigmoidal激勵函數(shù),隱含層節(jié)點數(shù)為 40,此時驗證集的步態(tài)識別率為94.156%。

圖9 3種激勵函數(shù)對應的隱含層節(jié)點數(shù)與網(wǎng)絡 訓練時間的關系

本文提出采用融合多源信息識別人體步態(tài)的方法,為了驗證融合識別的優(yōu)勢,僅采用髖關節(jié)角度和髖關節(jié)加速度提取的特征結合上文所采取的方法進行步態(tài)識別,表2給出了單一信號、多源信息主成分融合、多源信息核主成分融合方法的識別結果。多源信息核主成分分析方法的平均識別率為96.78%,明顯高于其余3種方法的步態(tài)識別率。與單一信號特征相比,利用KPCA融合多源信息可以有效提取步態(tài)特征的非線性結構信息,而且可以減少特征值的維數(shù),提高了步態(tài)識別準確率。

表2 不同步態(tài)識別信息源識別結果比較

由表3可以看出,基于ELM的分類判決模型對于平地行走、上樓、下樓、上坡、下坡5種步態(tài)的識別效果最好,識別率達到96.78%;上樓與上坡這兩種步態(tài)的識別率最低,從時域波形上來看,此兩種步態(tài)具有很大的相似性,在利用ELM分類判決模型進行測試時存在一定的誤判率。BP結果表明平均識別率只有83.41%(表3),準確率太低,代價太大。BP網(wǎng)絡的訓練極為繁瑣,主要體現(xiàn)在隱層神經(jīng)元的選擇上,神經(jīng)元數(shù)目少會造成網(wǎng)絡訓練不充分;神經(jīng)元數(shù)目太多,訓練時間增加,又會引起B(yǎng)P網(wǎng)絡的過擬合。SVM算法選用高斯核,使用LIBSVM工具包,SVM的參數(shù)是懲罰因子C和高斯核函數(shù)參數(shù)L。表4給出了不同方法的識別時間,ELM無論在訓練時間還是測試時間上都有一定的優(yōu)勢,BP訓練的泛化性能無法保證,每次訓練結果偏差也很大,BP網(wǎng)絡無論訓練時間還是識別時間都略于SVM、ELM方法。由于SVM采用一對一多分類模型,每次只能區(qū)分2種步態(tài),SVM的訓練時間約為4 min,而ELM的訓練時間僅僅約為1 min,從訓練時間的比較上看,本文中提出的ELM方法訓練時間要明顯比BP方法和SVM方法短。綜上所述,相對于SVM、BP,ELM往往可以取得更好的識別效果。

表3 不同分類器識別率比較

表4 不同分類器識別時間比較

4 結論

本文針對步態(tài)識別率低這一問題提出利用多源信息和極限學習機進行步態(tài)識別。為了獲取足夠的下肢運動信息,搭建多源信息采集系統(tǒng),包括足底壓力信號、髖關節(jié)角度信號和髖關節(jié)加速度信號,采用 KPCA融合與ELM分類方法對獲得的樣本進行分類,可以較精確識別出多種步態(tài),與SVM、BP等傳統(tǒng)分類方法相比,該方法具有最高的識別率和相對較短的識別時間,具有較好的研究與推廣的價值。但是該方法距離實用還有一定的差距,這是下一步研究的方向。

[1]Protopapadaki A,Drechsler W I. Hip,Knee,Ankle Kinematics and Kinetics During Stair Ascent and Descent in Healthy Young Individuals[J]. Clinical Biomechanics,2007,22:203-210.

[3]Michael F. Eilenberg,Hartmut Geyer,Hugh Herr. Control of a Powered Ankle-Foot Prosthesis Based on a Neuromuscular Model[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering,2010,18(2):164-173.

[4]劉磊,楊鵬,劉作軍. BP 神經(jīng)網(wǎng)絡在大腿截肢者運動模式識別中的應用[J]. 計算機仿真,2014,31(5):331-335.

[5]馬玉良,馬云鵬,張啟忠,等. GA-BP神經(jīng)網(wǎng)絡在下肢運動步態(tài)識別中的應用研究[J]. 傳感技術學報,2013,26(9):1183-1187.

[6]Ganesh R Naik,Dinesh Kant Kumar,Jayadeva. Twin SVM for Gesture Classification Using the Surface Electromyogram[J]. IEEE Transaction on Information Technology in Biomedicine,2010,14(2):301-307.

[7]佘青山,高云園,孟明.下肢EMG的小波支持向量機多類識別方法[J]. 華中科技大學學報(自然科學版),2010,38(10):75-79.

[8]吳劍鋒,吳群,孫守遷,等. 簡約支持向量機分類算法在下肢動作識別中的應用[J]. 中國機械工程,2011,22(4):433-438.

[9]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 Engineer-ing,2011,58(10):2867-2876.

[10]唐賢倫,周家林,張 娜. 基于極限學習機的非線性內(nèi)?？刂芠J]. 電子科技大學學報,2016,45(1):96-101.

[11]徐圓,葉亮亮,朱群雄. 基于動態(tài)記憶反饋的改進ELM故障預測方法應用研[J]. 控制與決策,2015,30(4):623-629.

[12]李軍,乃永強. 基于ELM的機器人自適應跟蹤控制[J]. 電機與控制學報,2015,19(4):106-116.

[13]賀彥林,王曉,朱群雄. 基于主成分分析-改進的極限學習機方法的精對苯二甲酸醋酸含量軟測量[J]. 控制理論與應用,2015,32(1):80-85.

[14]Aaron J Young,Levi J Hargrove. A Classification Method for User-Independent Intent Recognition for Transfemoral Amputees Using Powered Lower Limb Prostheses[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering,2016,24(2):217-225.

[15]Nitish Thatte,Hartmut Geyer. Toward Balance Recovery With Leg Prostheses Using Neuromuscular Model Control[J]. IEEE Transactions on Biomedical Engineering,2016,63(5):904-913.

[16]王佳佳,高發(fā)榮,孫曜,等. 基于sEMG的行走步態(tài)非均勻特性及其對識別的影響[J]. 傳感技術學報,2016,29(3):384-389.

[17]劉宇,江宏毅,王仕亮. 基于加速度時域特征的實時人體行為模式識別[J]. 上海交通大學學報,2015,49(2):169-172.

[18]盧先領,王洪斌,徐 仙. 基于加速度信號和進化 RBF神經(jīng)網(wǎng)絡的人體行為識別[J]. 模式識別與人工智能,2015,28(12):1127-1136.

[19]Xue Yang,Jin Lianwen. Discrimination Between Upstairs and Downstairs Based on Accelerometer[J]. Emerging Technologies of Ubiquitous Computing Systems,2011,94(6):1173-1177.

[20]陽同光,桂衛(wèi)華. 基于KPCA與RVM感應電機故障診斷研究[J]. 電機與控制學報,2016,20(9):89-95.

The Research of Locomotion-Mode Recognition Based on Multi-SourceInformation and Extreme Learning Machine*

CAOXianghong1,LIULei1,2*,YANGPeng2,3,SONGYingmao1

(1.Department of Building Electricity and Intelligence,Zhengzhou University of Light industry,Zhengzhou 450002,China;2.School of Control Science and Engineering,Heibei University of Technology,Tianjin 300130,China;3.Engineering Research Center of Intelligent Rehabilitation and Detecting Technology,Ministry of Education,Tianjin 300130,China)

The efficient and accurate locomotion-mode recognition is the basis and the key to the flexible prosthesis control. The key is to recognize locomotion-mode(level-ground walking stairs ascent. stairs descent. upslope. downgrade). In order to overcome the problem that a single information source cannot recognize locomotion-mode,human locomotion-mode multi-source information systems were set up. hip joint angle、and acceleration signals and plantar pressure were used as the major source. Human locomotion-mode were decomposed into four segments using the plantar pressure information. hip joint angle features and acceleration signal features were fused into one feature vector according to the user’s locomotion modes characteristics. The features were reduced(at the cost of information content)using principal component analysis(KPCA). These data were initially used to train Extreme Learning Machine(ELM)models,which classify the patterns as upslope,downgrade,stairs ascent,stairs descent or level-ground walking. The average classification accuracy of level-ground walking.stairs ascent.stairs descent. upslope.downgrade is 96.78%. The average recognition time is 0.52 s,The results showed that the method was superior to SVM and BP method.

artificial legs;locomotion-mode recognition;extreme learning machine;multi-source information fusion;hip joint motion signal

曹祥紅(1972-)，女，副教授，碩士，研究方向為智能假肢與模式識別、建筑供配電技術相關工作；劉 磊(1985-)，男，講師，博士，研究方向為智能假肢與模式識別、康復輔具相關工作，liulei20060000@126．com； 楊 鵬(1960-)，男，教授，博士生導師，研究方向為智能假肢與模式識別、康復輔具相關工作。

項目來源:國家自然科學基金項目(61203323,61503118);河南省高等學校重點科研項目(16B413006);河北省自然科學基金項目(F2015202150,F2017202119);河北省高等學?？茖W技術研究項目(QN2015068);河南省科技廳重點科研項目(162300410070)

2017-01-02 修改日期:2017-03-02

TP183

A

1004-1699(2017)08-1171-07

C:7230

10.3969/j.issn.1004-1699.2017.08.007