門慧超,王波濤

(東北大學 計算機科學與工程學院,遼寧 沈陽 110819)

步態(tài)數(shù)據(jù)分析是模式識別與數(shù)據(jù)挖掘領域的一個重要課題,它代表了人類在走路這一最常見活動中的行為,通過一定智能的方法分析步態(tài)數(shù)據(jù),得到許多有價值信息,進而可以將分析后的此類信息應用到各種領域,例如體育領域中提高運動員的表現(xiàn),提高訓練質量和健康判斷[1];在醫(yī)學領域監(jiān)控病人復健進展,評估病人及老年人的日常生活風險,協(xié)助對他們的未來患病的預測等[2].另外,在生物識別和生物工程領域也有廣泛的應用[3].

步態(tài)數(shù)據(jù)的本質是一組周期性的時間序列數(shù)據(jù),在時間序列數(shù)據(jù)的數(shù)據(jù)挖掘與分析領域,周期性、季節(jié)性、趨勢性等是時間序列數(shù)據(jù)的基本特征[4],通過這些特征,可以描述時間序列數(shù)據(jù)的許多信息.步態(tài)數(shù)據(jù)切分的思想即是利用步態(tài)數(shù)據(jù)作為時間序列數(shù)據(jù)的這一本質,利用時間序列數(shù)據(jù)的基本特征來對數(shù)據(jù)進行分析進而切分,進而可以進行步態(tài)識別,或更深入擴展到動作識別領域.

步態(tài)數(shù)據(jù)分析的常用數(shù)據(jù)源主要是加速度計與陀螺儀兩種設備,其中,陀螺儀測定的角加速度在較短時間內比較準確,而較長時間會因存在漂移而有誤差[5-7];加速度計測定的線加速度在較長時間的測量值是正確的,在較短時間內由于信號噪聲的存在而有誤差[8-10].二者各具特點,可根據(jù)不同研究或工程需求選用,或同時使用二者結合的傳感器作為數(shù)據(jù)源[11],均取得了較好的實驗成果.另外還有部分其他不常見的數(shù)據(jù)源,如腳踏板開關信號[12]、壓力計[13,14]等.本文將以線性加速度作為數(shù)據(jù)源,只使用單一數(shù)據(jù)源即可以更好地達到對步態(tài)數(shù)據(jù)解析與分析并進行切分的目的.

目前,在步態(tài)數(shù)據(jù)分析領域有大量文獻成果.

· 文獻[5]采用陀螺儀數(shù)據(jù)源結合閾值的思想進行分析,但閾值多為作者人工定義常數(shù),同時并未給出未知步態(tài)步數(shù)的解決方案;

· 文獻[6,14]均采用馬爾科夫鏈進行建模,其中:

? 文獻[6]是一篇針對特殊疾病患者的交叉學科文獻,其采用陀螺儀采集的角速度數(shù)據(jù),結合馬爾科夫模型進行分析,與本文課題無論是數(shù)據(jù)源類型還是整體角度抑或是研究思路均不相同.其思路為:將步態(tài)數(shù)據(jù)分為不同類型的模型,再分別根據(jù)多種不同模型建立馬爾科夫鏈,進而對患者情況進行判斷.研究目的是對不同類型的步態(tài)模型進行對比,進而找到最佳的模型(model);

? 文獻[14]是一篇針對步態(tài)識別的文獻,采用壓力計作為數(shù)據(jù)源,并建立馬爾科夫模型進行分析.應用馬爾科夫模型進行模式識別是一種常用的方法,此方法的特點是可應用范圍較廣、使用靈活,但計算較為復雜,需要建立較為復雜的非線性訓練模型,沒有固定的解決方法,需選擇合適的狀態(tài)數(shù)和特征矢量的維數(shù).為了避免這些缺點,提高識別便捷性,本文采用了基于規(guī)則的分析識別方法;

· 而文獻[11]則同時采用了兩種數(shù)據(jù)源,結合了線加速度與角加速度對步態(tài)數(shù)據(jù)進行分析與處理.這是一種較為成熟的方法,但需同時具備陀螺儀與加速度計兩個數(shù)據(jù)源條件,在一些情況下,實驗條件可能并不具備兩個數(shù)據(jù)源,此時,此方法就有了局限性;與此同時,此方法在對步態(tài)段數(shù)據(jù)進行標記與檢驗這一關鍵階段,依然以一個人工定義的恒定常數(shù)閾值作為后續(xù)的基礎,與文獻[5]具有相似的缺陷;

· 文獻[13]采用的是壓力計,同時提出了一種基于K-多項式分布來檢驗步態(tài)段之間間隔的方法.這是一種與本文思路區(qū)別較大的方法,該方法從數(shù)學角度解決了步態(tài)段的識別問題,其特點是方法較為科學扎實,但計算較為復雜;

· 文獻[12]采用的是一種腳踏板開關信號作為數(shù)據(jù)來源,這種信號是離散型的,但其設備較為不常見,而采用線加速度計及陀螺儀產(chǎn)生的連續(xù)數(shù)據(jù)必須進行離散化處理,才有一定可能性使用該文獻的算法;

· 文獻[7]采用的也是陀螺儀數(shù)據(jù)源,其方法由于設定了特定的恒常數(shù)閾值,在該文獻數(shù)據(jù)集內效果較好,但不一定能夠較好地適用于其他數(shù)據(jù)集.

綜上所述,在步態(tài)數(shù)據(jù)分析領域有許多研究方法,主要分為以下幾類.

(1) 基于峰值谷值偵測的方法.這類是最基礎的方法,對于較為規(guī)律的步態(tài)數(shù)據(jù),采用此種方法可以得到較好結果[8,15],許多進行步態(tài)分析的工程項目或實際應用都采用這類方法.但其缺點是由于其標準只依賴于波峰波谷,遇到較為復雜的步態(tài)情況時很容易因為噪聲或其他因素影響造成誤判,譬如在實際生活中,經(jīng)常出現(xiàn)同一段計步數(shù)據(jù)不同軟件記錄到不同步數(shù)的情況(此時除了傳感器方面的原因,也因為軟件計步方法不同而有所區(qū)別).文獻[8]是此類方法的一個代表性方法(在第2.1.1節(jié)進行了詳述,并在后文進行了對比實驗);

(2) 基于步態(tài)模板數(shù)據(jù)(template)與峰值閾值相結合的方法[9,16,17].這類方法的優(yōu)點是:由于已求解或保存了模板數(shù)據(jù),切分識別率更高.但由于模板數(shù)據(jù)可能是固定存在或通過某一類單一步態(tài)數(shù)據(jù)段計算而來,局限性較大,也面臨著無法動態(tài)識別不同情況下可能出現(xiàn)的起伏幅度較大、變化更為靈活的步態(tài)的問題.文獻[9]作為一個代表方法在第 2.1.2節(jié)進行了詳述,該文獻后續(xù)的實驗也證明此方法效果不佳;同時,此文獻的方法要求必須預知步數(shù)信息,且必須提前計算出一組或幾組步態(tài)模板數(shù)據(jù),應用較為局限,無法處理未知數(shù)據(jù);另外,此文獻采用的步態(tài)模型與本領域普遍研究的通用模型不同,也造成了該文實驗結果不盡如人意;

(3) 基于樸素傅里葉變換的方法[18].這是因為步態(tài)數(shù)據(jù)作為時間序列數(shù)據(jù)的這一本質,但由于其求解的周期是固定常數(shù),單獨使用這一固定常數(shù)很難有效地對步態(tài)數(shù)據(jù)進行切分與分析,數(shù)據(jù)中后期偏移會逐漸增大.本文第2.1.3節(jié)對這一方法進行了簡述,并在后文進行了對比實驗;

(4) 前3點均為基于規(guī)則的(rule-based)識別分析方法,在相關研究中使用較為廣泛;除此之外,也有許多其他方法.小波變換也是一種被采用的方法,但此方法很難選擇出合適的小波波基[19].文獻[20,21]分別提出了一種魯棒性的分段方法,實驗結果也較為理想,但其主要依賴的參數(shù)范圍在設定方面有一定局限性.馬爾科夫建模方法[6,14]是一種基于數(shù)學模型的方法,優(yōu)缺點已在上文進行了分析.

針對上述研究現(xiàn)狀和解決方案無法處理預設信息缺失的未知步態(tài)數(shù)據(jù)的問題,本文提出了一種面向通用模型的高可用性步態(tài)周期分析方法(high feasible method of cycle segment analysis for common gait model,簡稱HFM).

本文的主要貢獻如下:

(1) 首先,利用快速傅里葉變換(fast Fourier transformation,簡稱FFT)作為工具計算出預估步數(shù),解決了步態(tài)信息缺失的情況下對數(shù)據(jù)進行步態(tài)周期段求解的問題;

(2) 面向步態(tài)數(shù)據(jù)分析這一領域的通用模型先驗知識,設計了一種基于規(guī)則的閾值空間調整方法,避免了多種同類方法中閾值設定缺乏普適性、無法靈活應用于各個數(shù)據(jù)樣本的缺點,可以更加有效且可用性更高地對于未知的步態(tài)數(shù)據(jù)進行分析,并進而求解出最準確的步態(tài)周期段;

(3) 本文還提出了一種預處理方法用以對數(shù)據(jù)進行預先過濾部分不相關數(shù)據(jù).

本文提出的方法提高了辨別與過濾未知數(shù)據(jù)中不相關數(shù)據(jù)的能力,無須提前預知步數(shù)信息,相比以往同類型基于規(guī)則的分析識別方法,因規(guī)則的自適應性更強而可以適合更多的數(shù)據(jù)樣本;并通過此方法對未知數(shù)據(jù)進行了分析并求解了步態(tài)周期數(shù)據(jù).與實驗數(shù)據(jù)集實際采樣對比,取得了更為接近實際情況和后續(xù)研究需求的實驗結果.

本文第1節(jié)簡要介紹通用的步態(tài)模型及相關知識,同時詳述3種最新具有代表性的方法思想與一種基本的通用方法,并分析其不足.第2節(jié)提出本文的方法并進行詳述及分析.第3節(jié)進行詳盡的實驗與分析,與3種最新相關文獻與一種經(jīng)典方法進行實驗對比.第4節(jié)對本文進行總結并對未來工作進行展望.

1 相關知識與對比方法

1.1 相關知識

1.1.1 通用步態(tài)模型

根據(jù)大量針對步態(tài)分析領域的文獻所研究的模型可知:人類走路時,加速度計與陀螺儀主要形態(tài)都是“雙峰一谷”型(如圖1(a)所示[20]),主要分為兩個階段(如圖1(b)所示[8]),其中,stance是同側腳跟著地到腳尖離地時身體的擺動階段,swing是從腳尖離地到腳跟著地時身體的擺動階段[22].

此模型在谷點完成了兩階段的切換,基于此模型,許多文獻已經(jīng)做了各種步態(tài)分析方法的研發(fā),優(yōu)缺點已在第1節(jié)進行了說明.本文主要通過使用線加速度數(shù)據(jù),在此通用模型的基礎上,對未知的步態(tài)數(shù)據(jù)進行分析,并進一步切分為合乎通用模型的步態(tài)周期段.

Fig.1圖1

1.1.2 快速傅里葉變換在步態(tài)時間序列周期的應用

步態(tài)數(shù)據(jù)本質上是時間序列數(shù)據(jù)具備時間序列數(shù)據(jù)的各類基本特性,譬如步態(tài)的周期性與趨勢性等.因此,在時間序列數(shù)據(jù)分析方面應用廣泛的FFT與經(jīng)驗模態(tài)分解分析法(EMD)[23]等方法也可應用于步態(tài)數(shù)據(jù)的分析上.但根據(jù)一些資料及本文作者一定量的前期積累實驗后可知,此方法需要一定的人為觀察與選擇,與本文的自動處理未知步態(tài)數(shù)據(jù)的目標有悖,故在此使用快速傅里葉變換的方法求解出預估的步態(tài)周期和步數(shù).根據(jù)步態(tài)數(shù)據(jù)的實際情況,stance與 swing兩階段信號形態(tài)相似,基于通用模型的解決方案均認定兩階段周期相似,在本文實驗中,快速傅里葉變換所取得周期為實際步態(tài)周期的1/2.

1.2 對比方法

為了證明本文的科學性與優(yōu)越性,本文對比了 3種近年具有代表性的相關方法(基于波峰波谷的步態(tài)分析方法(OGA)[8]、基于閾值及步態(tài)模板的步態(tài)分析方法(BGR)[9]、基于標記點與閾值的步態(tài)分析方法(RRA)[5])及一種常規(guī)應用于時間序列數(shù)據(jù)周期的快速傅里葉樸素方法.

1.2.1 基于波峰波谷的步態(tài)分析方法

文獻[8]提出了一種基于波峰波谷的步態(tài)分析方法,基本思想是選擇比兩鄰大的波峰作為判定基礎,將標定峰值兩側谷值作為切分點,并由此求解出步態(tài)周期段.OGA方法的缺點在于:在實際實驗中,由于各種噪聲及其他問題的影響,即使進行了一定降噪與平滑處理,單純依賴峰值分割法并不能準確切分,根據(jù)實際經(jīng)驗可知,只在此文圖2(a)中的理想平滑情況可行.

Fig.2圖2

由圖2(a)可知,OGA方法需要在極其平滑的數(shù)據(jù)上才能采集到該文所需的正確波峰點和波谷點.而在實際數(shù)據(jù)集中,很難控制降噪的程度與數(shù)據(jù)信息保留程度的平衡.文獻[8]處理此問題方面采用 Savitzky-Golay降噪方法[24](這是一種在信號處理及序列數(shù)據(jù)處理中廣泛應用的方法,此過程包含歸一化),但該文使用的自采集數(shù)據(jù)集本身噪音情況比較輕微,通過此方法可以降噪到該文方法所需平滑程度.而實際數(shù)據(jù)集(如本文的 ZJUGaitAcc數(shù)據(jù)集)噪聲較大,在應用該文方法進行了Savitzky-Golay后仍然不如該文圖中般平滑,若完全采用此文方法將會出現(xiàn)部分噪聲波峰波谷點滿足條件但本身并非真實的所需點的誤判情況(如圖2(b)所示).為了可以正常進行對比實驗,本文對此節(jié)方法進行了略微改進(簡稱為 OGA+),將該文原方法中“標記的峰值點左右兩側的谷值點作為切分點”這一規(guī)則改為取比兩側均小的波谷,步驟如下.

Step 1. 降噪:對波形信號進行Savitzky-Golay降噪處理;

Step 2. 標記:取波形中滿足比兩側波峰大這一條件的波峰點進行標記.取已標記波峰點兩側滿足以下條件的谷值點并進行標記:該點小于兩側其他谷值點;

Step 3. 設定步態(tài)段首尾點:從第1個已標記波谷點開始,取奇數(shù)點作為步態(tài)段的起點和終點.

由后文的實驗可知,此種改進(OGA+)可以較為合理地克服實際數(shù)據(jù)集噪聲較大的影響,避免小谷值噪聲的影響,在該文的部分實驗中取得了相對好的結果,但仍不如本文主體方法進行分析所求解的周期段的符合實際情況.

1.2.2 基于閾值及步態(tài)模板的步態(tài)分析方法

文獻[9]提出一種閾值及步態(tài)模板數(shù)據(jù)結合的步態(tài)分析方法,優(yōu)點是比單純依靠波峰波谷的方法更具合理性.各參數(shù)及步驟圖解如圖3所示.主要步驟如下.

Step 1. 設定參數(shù):設定切分下限值stepEquilibrium,取值為小于整體數(shù)據(jù)均值meanValue,且出現(xiàn)次數(shù)最多的值;設定切分上限值stepThreshold,取值為所有極大值從大到小排序中第step大的數(shù)值,step為已知步數(shù).

Step 2. 步態(tài)切分:若以相鄰波峰(高于stepThreshold)間存在低于stepEquilibrium的波谷,則說明此區(qū)間為一個步態(tài)段(如圖3所示).

Step 3. 去除誤判段:將已切分步態(tài)段與已存在模板比較,不符合模板的步態(tài)段為錯誤數(shù)據(jù)段.

Fig.3 BGR method[9]圖3 BGR方法[9]

該方法的缺點是采用的步態(tài)模型與常用的步態(tài)模型均不相同,同時,必須已知步數(shù)信息與提前已計算得到的正確的步態(tài)模板數(shù)據(jù)才能對步態(tài)周期段進行分析與識別;其次,該方法是建立在頻率基礎上的(stepEquilibrium的取值為低于meanvalue的值中出現(xiàn)頻率最大的那個值),但很多數(shù)據(jù)集中,每個數(shù)據(jù)值已經(jīng)唯一化,不存在最大頻率值,因此,許多數(shù)據(jù)集(例如本文實驗所使用 ZJUGaitAcc數(shù)據(jù)集)無法用此方法進行分割;最后,該方法通過已知模板來剔除錯誤步態(tài)周期段,當沒有步態(tài)模板數(shù)據(jù)或求解步態(tài)模板數(shù)據(jù)不便時,可用性受限.另外,該方法沒有細分步態(tài)模型周期段內小階段的功能.在本文使用的通用兩階段步態(tài)模型中,無法求解stance與swing階段的位置.

1.2.3 基于標記點與閾值的步態(tài)分析方法

文獻[5]是一種基于特定標記點與閾值的步態(tài)分析方法.此方法根據(jù)步態(tài)模型的實際特征定義了 4種標記點(MS,HS,TO,Pp),通過設定這 4種標記點的閾值,并結合通用步態(tài)周期模型對未知數(shù)據(jù)進行分析,并求解出步態(tài)周期段.主要步驟如下.

Step 1. 設定Pp點為波形曲線中的極大值或極小值點,定義HS為中間谷點,MS為峰值點,TO點為第2谷點,作為步態(tài)切分,zeroCrossing點為前后點取值分別在此值上下的閾值點.另外,該文作者根據(jù)其自采集數(shù)據(jù)集的實際情況設定了幾個固定常數(shù)值MSThreshold(0.5rad/s),timeThreshold1(350ms),timeThreshold2(100ms),mean Threshold(0rad/s),zeroCrossing(0rad/s);

Step 2. 當滿足以下條件時可標記MS,TO,HS,當這3種點均被標記完成后,一個步態(tài)段被標記完成:

Step 3. MS點:Pp點取值不小于MSThreshold,時間位置與前一MS點差值不小于timeThreshold1(除首個MS點外);

Step 4. HS點:在已標記MS點的情況下,取得小于meanThreshold的Pp點,且滿足前一Pp點大于meanThres hold;

Step 5. TO點:在標記MS,HS點的情況下,取與HS點位置差值不小于timeThreshold2的Pp點,且滿足此Pp點前存在zeroCrossing點.

Step 6. 標記以上3種點后,即可完成一個步態(tài)段的切分.

Fig.4 RRA method[5]圖4 RRA方法[5]

該方法的最大缺點是:閾值均為該文作者根據(jù)其自采集數(shù)據(jù)集人工設定,且是單一恒定常數(shù),可用性受限.在實際應用中,不易總是可以人工估計到合適的閾值,在處理未知新數(shù)據(jù)時,自適應性與自修正性較差,無法靈活根據(jù)通用模型對未知新數(shù)據(jù)進行分析并切分出合理的步態(tài)周期段.

該文的原數(shù)據(jù)源為陀螺儀,由于陀螺儀與加速度計的數(shù)據(jù)均可抽象為相同的步態(tài)模型,故本文在后文對比實驗中,將根據(jù)本文使用的加速度計數(shù)據(jù)集設定該文作者手動設定的幾個常數(shù)閾值進行對比.

1.2.4 快速傅里葉樸素方法

FFT也是經(jīng)常應用于時間序列周期性數(shù)據(jù)的一種分析方法,步態(tài)數(shù)據(jù)是一種典型的時間序列周期性數(shù)據(jù),許多研究也直接將這種方法應用于步態(tài)數(shù)據(jù)的分析,優(yōu)點是易于使用,可以快速求解,但缺點是求解為單一固定周期數(shù)值無法適用于每步步態(tài)數(shù)據(jù)長度不同的情況,在數(shù)據(jù)集中后期,將隨著數(shù)據(jù)量的增大而偏移愈發(fā)嚴重,同時由于此原因,使得其簡單均分的通用模型內stance與swing兩階段長度沒有實際意義.

針對以上 4種方法各自的缺陷,本文提出了一種更加具有可行性的方法,根據(jù)通用模型對步態(tài)數(shù)據(jù)進行分析,從而求解步態(tài)數(shù)據(jù)周期段,并取得了較好的實驗結果.

2 面向通用模型的高可用性步態(tài)周期分析

由于前文所述的目前大部分方法無法正確分析未知步態(tài)信息與未知步態(tài)模板數(shù)據(jù)、求解步態(tài)周期段時適應性較差、需要人工設定某一單一常數(shù)閾值缺乏自適應空間等缺點,本文提出了新方法來解決這些問題——面向通用模型的高可用性步態(tài)周期分析方法(a high feasible method of cycle segment analysis for common gait model,簡稱 HFM).

第 2.1節(jié)首先提出一種預處理方法,其基本思想是,利用滑動窗口求解均值方法去除了首尾部分不相關數(shù)據(jù).第2.2節(jié)為核心方法,即提出一種基于通用步態(tài)模型的步態(tài)周期數(shù)據(jù)分析方法.

· 第 1階段使用 FFT自動地計算出預估步數(shù)及周期,后續(xù)計算將在此預估數(shù)值基礎上進行.但此數(shù)值只是一個參照,并不是真實的步數(shù)及周期數(shù)值.解決了缺乏步數(shù)信息這一前提條件的問題;

· 第2部分在預估步數(shù)及周期的基礎上,結合已有文獻(如第1.1.1節(jié)所述)中被大量研究應用的步態(tài)模型對步態(tài)數(shù)據(jù)進行分析,改善了未知步態(tài)模板數(shù)據(jù)缺失的情況下,不易進行精確的步態(tài)周期段求解問題;同時,構建了一定自修正區(qū)間以使周期段求解的自適應性更強,改善了一些方法中因人工定義單一恒定閾值數(shù)值造成的誤判問題.

第2.3節(jié)利用核心方法求解出的步態(tài)周期段計算出一些數(shù)據(jù)評價指標.第2.4節(jié)對本文方法和其他方法進行了對比與分析總結,表明了本文方法的具有更高的可用性.

2.1 步態(tài)數(shù)據(jù)預處理

本文的實驗數(shù)據(jù)為xyz三軸加速度(ax,ay,az),在實際分析中通過以下公式將其轉化為一維數(shù)據(jù)(axi,ayi,azi)分別為第i時刻的三軸加速度,Axyzi為該時刻轉化后的總加速度):

轉化為一維數(shù)據(jù)后,為了去除噪聲的影響,使用 Savitzky-Golay[24]方法對其進行降噪,得到脫除噪聲后的數(shù)據(jù)Asg.

在實際實驗觀察中,許多步態(tài)數(shù)據(jù)集的首尾都會出現(xiàn)不相關但也無法通過降噪方法剔除的噪聲數(shù)據(jù),本文設計了一種新的方法對這部分噪聲數(shù)據(jù)進行初步去除,進而取得較為符合步態(tài)分析需求的實驗數(shù)據(jù).

Step 1. 求解數(shù)據(jù)段的整體均值meanData;

Step 2. 通過使用滑動窗口從兩端向內移動,滑動過程中去除窗口內最大值小于meanData、最小值大于meanData的不相關數(shù)據(jù).最終去除兩端部分不需要的數(shù)據(jù).

2.2 步態(tài)周期段求解

步態(tài)數(shù)據(jù)周期段的求解是本文的核心方法.通過根據(jù)通用模型對步態(tài)數(shù)據(jù)進行分析,進而求解得出準確的步態(tài)周期段數(shù)據(jù).圖5為相關參數(shù)與步驟示意圖.

Fig.5 HFM method圖5 HFM方法

目前,在步態(tài)分析領域進行的研究現(xiàn)狀主要是缺乏一種可以自適應地自動處理未知步態(tài)信息的方法,如第1節(jié)所示,目前此方向的研究成果具備各種缺陷,如切分規(guī)則過于簡單、抗噪聲信息能力差、必須已知一定量的相關信息等各種缺點.本文根據(jù)各類文獻已研究出的步態(tài)數(shù)據(jù)相關知識,對已有各個方法的存在問題進行分析與改進,得出了一種可以自適應處理未知步態(tài)信息、并可抵抗一定噪聲信息影響、同時符合相關文獻已研究出的步態(tài)數(shù)據(jù)模型(如第1.1.1節(jié)所述)的方法HFM.HFM方法主要分為兩個階段,步驟如下.

(1) 第1階段求解預估周期和步數(shù).

由第1.1.2節(jié)所述,FFT是求解時間序列數(shù)據(jù)周期的一種基本方法,步態(tài)數(shù)據(jù)即為時間序列數(shù)據(jù)的一種,因此此處使用 FFT方法求解出一個初始預估傅里葉變換周期,進而求解出初始平均步數(shù)(initialStep)與初始平均周期(initialPeriod).

(2) 第2階段進行精確步態(tài)切分,圖5為本部分圖示.

Step 1. 參數(shù)求解:求出所有波峰、波谷及上限值stepThreshold與下限值stepEquilibrium.上限值設定為此組時間序列數(shù)據(jù)的均值(meanValue);下限值設定為所有波谷值從小到達排序第initialStep個波谷值(如上一步FFT計算后的initialStep非整數(shù)則向上取整),此值必須小于均值meanValue.設步態(tài)段數(shù)目為n,初始值取1;

Step 2. 標記起點:符合以下條件的波谷點(troughi)即為第i步步態(tài)起始點startPointi:小于下限值,小于前谷值或后谷值的帶狀容錯范圍內(由式(2)N1表示,為相關文獻及實驗經(jīng)驗系數(shù)[9],此處雖是由相關文獻取得的一個系數(shù),但由于構建了一定的容錯區(qū)間,與其他使用單一恒定常數(shù)的方法對比仍具有較強的普適性),同時前步需已結束標記(第1個步態(tài)段除外).記錄下此點并初始化每個標記值:

Step 3. 標記首波峰:當滿足以下條件的波峰點即為第i步首波峰點firstCresti:大于上限值stepThreshold且已標記過起點.記錄下此點;

Step 4. 標記波谷:滿足以下條件的波谷點即為第i步心波谷點heartTroughi:小于下限值stepEquilibrium且已標記過初始點及首波峰點.記錄下此點,同時,此點為stance與swing階段的分割點;

Step 5. 標記次波峰:滿足以下條件的波峰點即為第i步次波峰點secondCresti:大于上限值stepThreshold且已標記過初始點、首波峰點及心波谷點.記錄下此點;

Step 6. 標記終點及下步起點:根據(jù)Step 2找到第i+1步的初始點startPointi+1,并將此點作為第i步的終點endPointi.(endPointi-startPointi)為第i步步態(tài)周期periodi,并通過以下條件判斷periodi是否為一個正確步態(tài)周期段:

若為正確步態(tài)周期段,則步態(tài)段數(shù)目n+1.將步態(tài)周期(periodi)設為一個帶狀動態(tài)區(qū)間.periodi必須在此區(qū)間內才是一個正確的步態(tài)周期段.當periodi取值區(qū)間在[0,(1-N2)×initialPeriod]時,可能為stance或swing單一階段,當periodi取值區(qū)間為(N3×initialPeriod, 2×initialPeriod]時,可能誤判下一個步態(tài)周期的某一單一階段到上一個步態(tài)周期.故根據(jù)大量實驗后的經(jīng)驗數(shù)值與參考相關文獻成果[20],給予其一定動態(tài)容錯空間,將N2設為 2/3,N3設為4/3;

Step 7. 循環(huán)Step 2～Step 6,直至該段數(shù)據(jù)末尾.若該段數(shù)據(jù)內最后一個數(shù)據(jù)段根據(jù)Step 2～Step 5計算已找到次波峰點(secondCresti)則將此段數(shù)據(jù)作為一個步態(tài)段計入分析范圍;否則,最末部分不計入范圍;

Step 8. 結束計算,n最終值為本數(shù)據(jù)集的步態(tài)段數(shù)目,并計算得出每個步態(tài)周期段的起始與終結位置.

2.3 步態(tài)數(shù)據(jù)度量

在分析數(shù)據(jù)從而得到合理的步態(tài)周期段后,可對數(shù)據(jù)進行進一步處理.由通用模型可知,人類走路主要分為以下兩個階段:stance與swing,本文方法和OGA+,RRA方法可以對步態(tài)周期段進行進一步細分.目前,由于數(shù)據(jù)信息有限,缺乏人體方向等重要信息,只通過數(shù)據(jù)集的三軸線加速度并不足以計算出行走距離、速度等信息,因此暫時只能計算數(shù)據(jù)的總體周期及兩階段周期.第3節(jié)實驗部分對以下指標進行了計算.

(1) Estimated gait number (EGN):估計步態(tài)段數(shù)目,取值為n.第2.2節(jié)第2階段計算得出了此值;

(2) Estimated average period (EAP):估計平均步態(tài)段總周期.第2.2節(jié)第2階段通過計算各個步態(tài)周期的startPoint與endPoint得出此值:

(3) Estimated average stance period (EAStP):stance階段估計平均周期.第2.2節(jié)第2階段通過計算各個步態(tài)周期的heartTrough與startPoint得出此值:

(4) Estimated average swing period (EASwP):swing階段估計平均周期.第2.2節(jié)第2階段通過計算各個步態(tài)周期的heartTrough與endPoint得出此值:

(5) Period deviation (PD):平均步態(tài)段偏移比,以如下公式計算:

其中,RAP為Real average period數(shù)據(jù)集采集點的真實步態(tài)周期.

本文方法如果應用于信息更完備的數(shù)據(jù)集,可得到更多信息用于后續(xù)研究.

2.4 方法分析與總結

本文提出的方法HFM有效地解決了上文4種對比方法面臨的問題.通過第2階段Step 1對一些閾值的限定,克服了 OGA(OGA+)方法中單純依賴峰值谷值進行切分的缺點,使得切分原則更加全面,避免了由于一些噪聲影響造成的誤判.

由于第1階段對步數(shù)的預估與第2階段各步驟對于步態(tài)模型的整體限制,無需像BGR方法一樣必須已知步數(shù)和步態(tài)模板這兩個條件,使本文方法適用范圍更加廣泛,可以更好地應用于后續(xù)其他研究.

在第2階段Step 6設定了對于步態(tài)周期period的動態(tài)容錯區(qū)間,避免了只用FFT出現(xiàn)的周期恒定而無法靈活適用于不同長度步態(tài)段的缺點.

同時,由于本文構建的閾值自適應區(qū)間較為合理,雖然容錯系數(shù)為綜合了文獻與實驗經(jīng)驗值設定而成,與RRA方法所設定的單一常數(shù)閾值相比仍具有更強的普適性.

綜上所述,本文有效地改善了在多種信息缺失的情況下(例如步數(shù)信息與某些方法必須預置的步態(tài)模板數(shù)據(jù))對于步態(tài)數(shù)據(jù)切分這一重要問題,同時可以在一個自適應區(qū)間內對步態(tài)數(shù)據(jù)進行正確的動態(tài)切分,進而進行進一步的數(shù)據(jù)處理,提高了方法的可用性.

3 實驗與分析

3.1 實驗說明

3.1.1 實驗數(shù)據(jù)集

本文從ZJU GaitAcc Dataset[10]中選擇3條不同的數(shù)據(jù)進行實驗驗證,ZJU GaitAcc Dataset是一個包含大量不同年齡、性別、身體條件情況的人步行線加速度的數(shù)據(jù)集,根據(jù)樣例數(shù)據(jù)的情況,均具備步態(tài)數(shù)據(jù)通用模型的基本特征,Sample A,Sample B,Sample C分別取自其中3個不同人體的手臂或手肘線加速度樣本數(shù)據(jù).

本數(shù)據(jù)集攜帶包含實際采樣點與可用數(shù)據(jù)范圍在內的兩個附帶信息.為了更好地進行實驗,本文實驗使用的數(shù)據(jù)范圍是第 2.3.1節(jié)提出的去除頭尾噪聲非有效步態(tài)數(shù)據(jù)方法與實際可用數(shù)據(jù)范圍的交集作為實驗數(shù)據(jù)的有效區(qū)間.由于實際采樣點區(qū)間與數(shù)據(jù)集本身的可用數(shù)據(jù)范圍并非子集關系,部分采樣點是在可用數(shù)據(jù)范圍之外的(這是此數(shù)據(jù)集本身已注明的情況),因而不計入方法計算.實驗圖中會出現(xiàn)部分兩側數(shù)據(jù)未被納入實驗范圍的情況,在數(shù)據(jù)表格中采用實際步數(shù)欄(real gait number)“(+1)”的形式來表示可能存在在可用數(shù)據(jù)范圍之外的個別采樣點個數(shù).

該實驗所使用的數(shù)據(jù)集并不一定是以波谷作為每步的起始采集點,而本文方法及對比方法均是以波谷作為起始采集點,因而可能會出現(xiàn)切分的平移偏差,在Sample C的實驗中可以觀察到此現(xiàn)象,并不完全說明本文方法或對比方法在起始點選擇這一方面是錯誤的,Period Deviation指標也可說明本文方法的合理性.

3.1.2 評價指標

本節(jié)實驗的評價標準取為:表格中估計步態(tài)段周期EAP、估計步態(tài)段數(shù)目EGN以及平均偏移量PD.同時,也需結合各個實驗圖中實際采樣點與各方法的步態(tài)周期切分點位置來對性能進行評價.

3.1.3 對比方法

根據(jù)4類不同解決此問題的思路,本文采用第1.2節(jié)中介紹的4種方法進行對比實驗.

(1) 根據(jù)第1.2.1節(jié)的分析,OGA本身只在理想數(shù)據(jù)下可取得該方法理論上的步態(tài)周期段求解結果,在實際多數(shù)數(shù)據(jù)集下,需進行略微改善才可正常使用,第 1.2.1節(jié)提出了一種改善方法 OGA+.同時,對數(shù)據(jù)進行了歸一化處理.

OGA(OGA+)起始點選取原則:根據(jù)該方法規(guī)則,選取本數(shù)據(jù)集有效區(qū)間內符合條件的第1個波谷.

(2) 根據(jù)第1.2.2節(jié)的分析,BGR方法高度依賴于數(shù)據(jù)點數(shù)值的出現(xiàn)頻率,而對數(shù)據(jù)進行降噪后,數(shù)據(jù)點取值高度趨向于唯一化而無法進行實驗,因而在BGR方法進行實驗時,采用了未降噪的原始數(shù)據(jù)(且未進行歸一化),但效果仍然不佳,也說明了此方法的局限性較大.同時,方法對于錯誤求解的步態(tài)周期數(shù)據(jù)段采用的是與模板數(shù)據(jù)對比再剔除的方法,由于本數(shù)據(jù)集不存在模板數(shù)據(jù),而在實際數(shù)據(jù)處理中也不一定總是存在既有標準模板數(shù)據(jù),再加之此方法本身的切分原則與本領域對于步態(tài)模型的研究成果差別較大(見第1.1節(jié)介紹的通用模型),因此實驗圖中直接進行了標記,并未將剔除錯誤段的過程體現(xiàn)出來.此處理方法也是為了更好地呈現(xiàn)方法對比圖.

BGR起始點選取原則:根據(jù)該方法規(guī)則,選取本數(shù)據(jù)集有限空間內符合其理論規(guī)定的第1個波峰點.

(3) RRA在本節(jié)實驗中的各個常數(shù)閾值根據(jù)數(shù)據(jù)集特征分別設定為:MSThreshold=0.5(g),timeThreshold1=100(ms),timeThreshold2=60(ms),meanThreshold=0.5(g),zeroCrossing=0.5(g).此閾值參數(shù)適用于樣本A的驗證,同時,樣本B與樣本C也使用此參數(shù)驗證了恒定且無容錯空間的常數(shù)閾值在實際應用中的缺陷.首個MS點標記為MS1,后續(xù)MS點標記為MS2.同時,對數(shù)據(jù)進行了歸一化處理.

RRA起始點選取原則:由于該方法以MS峰值點作為算法起始點,但此方法在對步數(shù)的切分與通用模型有少量水平平移(大約小于1/4個步態(tài)階段),由于本數(shù)據(jù)集多數(shù)數(shù)據(jù)樣本是以波谷作為記錄采樣點的(個別樣本采用其他點,例如Sample C),為了更貼近數(shù)據(jù)集樣本采樣位置,在評價數(shù)據(jù)時,除第1個步態(tài)段采用第1個MS峰值點起始外,后續(xù)步態(tài)段均以TO波谷點作為切分.由于由于首步切除量非常小,對整體實驗影響不大,同時該方法的缺陷在于恒定常數(shù)閾值問題,與此平移無關,并不影響實驗證明其缺陷.

(4) FFT的計算結果是一個恒定步態(tài)周期值,步數(shù)為有效區(qū)間總長與該周期值取商,因而計算出的結果并不一定總是整數(shù).此方法實驗僅僅為了進行對比,不作重點分析.同時,對數(shù)據(jù)進行了歸一化處理.其stance,swing兩階段長度為簡單均分.

FFT起始點選取原則:本數(shù)據(jù)集有效區(qū)間內的第1個點.

(5) 本文的HFM方法起始點選取原則:本數(shù)據(jù)集有效區(qū)間內符合條件的第1個波谷.同時,對數(shù)據(jù)進行了歸一化處理.

3.1.4 實驗平臺

本文采用Windows 10下Matlab 2010b作為實驗平臺,CPU為Intel Core P9700,內存8GB.

3.2 分組實驗

3.2.1 Sample A

第1組樣本中,由圖6(a)所示,各個切分點“▽”(紅色倒三角)與實際采樣點“X”(紅色X)均偏差不大.同時,表1中OGA+的PD偏移量亦較小,EAP周期接近實際值,EGN步數(shù)在數(shù)據(jù)有效區(qū)間內也是正確的,說明本樣本數(shù)據(jù)采用OGA+方法可以取得合理效果.但與HFM方法相比,PD偏移量還是略高一些.

Fig.6 Signs of Sample A圖6 Sample A實驗標記結果

Table 1 Evaluation results of Sample A表1 Sample A實驗數(shù)據(jù)

BGR單獨用于此數(shù)據(jù)集效果不佳,由圖6(b)可見,各個切分點“▽”(紅色倒三角)與實際采樣點“X”(紅色 X)偏差均較大,只有極個別步態(tài)段被正確的根據(jù)理論進行了切分(例如大約 300ms～600ms區(qū)間內的 3段),誤判率較高,PD平均偏移量最高,EAP周期遠遠大于實際值.EGN步數(shù)與實際值相差較大.假設在有步態(tài)模板數(shù)據(jù)進行對比判斷的情況下,此方法將會剔除部分不符合該步態(tài)模板數(shù)據(jù)的步態(tài)周期段.

RRA方法在本樣本中由于手動設置的閾值較為合適而表現(xiàn)出了可以接受的實驗效果.由圖6(c)所示,前部數(shù)據(jù)各個步態(tài)周期段切分點與實際采樣點偏差不大,中后部有一定偏移,較為嚴重的錯誤標記點已在圈中圈出.PD偏移量較BGR方法有較大改善,但與其他方法對比仍高一個數(shù)量級.

FFT方法計算出的EAP周期較為接近實際值,但由于其固定步態(tài)周期長度,導致后部數(shù)據(jù)與實際采樣點偏差逐漸增大,PD平均偏移量較OGA+及本文HFM方法均大一個數(shù)量級.EGN步數(shù)比實際值略大.

本文的HFM方法取得了最好的效果,PD平均偏移量最小,EAP周期較為接近實際值,且如圖6(e)所示,切分點位置較為接近實際采樣點.EGN步數(shù)在數(shù)據(jù)有效區(qū)間內也是正確的.

1300ms處實際采樣點因已超過本數(shù)據(jù)集有效區(qū)間而沒有被列入求解范圍,故而Real Gait Number一欄填寫為“11.00(+1.00)”,這是數(shù)據(jù)集本身攜帶的有效區(qū)間信息導致的.而非本文幾種對比方法的缺陷.

3.2.2 Sample B

第2組樣本中,OGA+方法計算出的EAP周期及EGN步數(shù)不是相差較遠,根據(jù)實驗圖7(a)可見,部分點按照OGA+方法切分步態(tài)數(shù)據(jù)發(fā)生偏差,例如圓圈內(900ms左右處)個別點標記出現(xiàn)錯誤(兩紅倒三角點“▽”間的綠色倒三角點“▽”為誤判點),同時與圖7(a)實際采樣點對比,自發(fā)生錯誤點(900ms左右處)之后的數(shù)據(jù)就出現(xiàn)了較為嚴重的偏差,PD偏移量遠遠大于HFM方法的PD偏移量,表明此方法在此樣本中的使用性受限,而原OGA方法由于受到噪聲波峰波谷數(shù)據(jù)影響,實驗結果偏差將更大.

BGR方法由于其本身方法的缺陷,實驗結果仍然較差,只有個別步態(tài)周期段被正確切分求解,如圖7(b)所示.例如,僅有600ms～800ms左右處的切分區(qū)間較為符合該方法理論模型,但該方法理論模型又與常用模型均不相同,大量數(shù)據(jù)被錯誤標記,PD平均偏移量、EAP周期及EGN步數(shù)也遠遠差于其他對比方法.

RRA方法在此樣本由于其人工定義的單一閾值界限并不能靈活適應不同特征的數(shù)據(jù)集而表現(xiàn)不盡如人意.本樣本實驗采用和上一樣本相同的閾值即出現(xiàn)了較差的實驗效果.由圖7(c)可見,其步態(tài)周期段切分點與實際樣本切分點與實際標記點均有較大偏移,較為嚴重的錯誤標記點已在圈中圈出,兩階段平均周期也與本文方法與OGA+方法有著較大區(qū)別.

FFT方法實驗結果較好,如表2的FFT列,PD平均偏差值較低,EAP周期較為接近實際值.但由于其固定步態(tài)段長度導致了后期數(shù)據(jù)切分偏移逐漸增大,從而PD平均偏移量仍大于本文的HFM方法.EGN步數(shù)略大于實際值.

本文方法HFM在此數(shù)據(jù)樣本中仍在各方面都取得了較為理想的效果,無論是PD平均偏差值或是圖7(e)中切分點與實際采樣點的偏移均是所有對比方法中效果最好的.有效區(qū)間內的EGN步數(shù)是正確的.

本數(shù)據(jù)集在大約1 000ms后因不在數(shù)據(jù)集有效區(qū)間內而并未列入求解范圍,故而Real Gait Number一欄填寫為“8.00(+1.00)”.

3.2.3 Sample C

本實驗樣本與上兩個樣本有一個明顯的區(qū)別,由實驗圖實際采樣點可知,本實驗樣本在數(shù)據(jù)采集時,實際每步的步態(tài)段起始點并非以波谷點開始,而是取了步態(tài)段數(shù)據(jù)中的其他位置,在實際采集數(shù)據(jù)時,可以以任何數(shù)據(jù)點作為步態(tài)起點.同時,由于數(shù)據(jù)集實際采樣點范圍與有效數(shù)據(jù)區(qū)間并不完全相同,各個方法均是在有效區(qū)間內進行,因此,本實驗樣本的 4種方法在實驗結果上均呈現(xiàn)了實際采樣點與切分點的水平偏移現(xiàn)象,并不能說明這幾種方法是錯誤的.關于此現(xiàn)象在第3.1.1小節(jié)已做了相關說明.

本實驗樣本中,OGA+方法實驗圖8(a)中多個明顯符合步態(tài)切分的采樣點在此方法中被忽略,如 250ms左右、400ms左右、500ms左右、900ms左右處圓圈中采樣點實際上是符合步態(tài)模型切分點條件的,但在此樣本的OGA+實驗中沒有被標記,使得最終的切分結果有誤;同時,數(shù)據(jù)表3中,OGA+列PD偏移值、EAP周期、EGN步數(shù)也與實際值相差較大,說明了此方法在判定切分點條件方面的缺陷.

Fig.7 Signs of Sample B圖7 Sample B實驗標記結果

Table 2 Evaluation results of Sample B表2 Sample B實驗數(shù)據(jù)

Fig.8 Signs of Sample C圖8 Sample C實驗標記結果

Table 3 Evaluation results of Sample C表3 Sample C實驗數(shù)據(jù)

BGR方法在本實驗樣本中的表現(xiàn)有所好轉,PD平均偏移量較低,EAP周期與 EGN步數(shù)較為接近實際值.根據(jù)圖8(b)所示,300ms～900ms區(qū)間內的幾個數(shù)據(jù)段均與實際采樣點較為接近,且符合其理論.但仍有部分數(shù)據(jù)段被誤判,例如250ms～450ms處的兩段.

由于固定的人工定義單一常數(shù)閾值,RRA方法在本樣本中的效果與實際情況已經(jīng)產(chǎn)生巨大差異.由圖8(c)所示:400ms及700ms位置中TO切分點與HS中間點已經(jīng)幾乎貼近到同一位置,而各個切分點與實際樣本切分點的偏移也較大,PD偏移量與本文方法及BGR,FFT方法相差也較大.

FFT方法在本實驗樣本中PD平均偏移量較低,但根據(jù)表3對比,其PD偏移量與本文的HFM方法相比仍高了一個數(shù)量級,EAP周期較為接近實際值,EGN步數(shù)略高.

本文的HFM方法仍表現(xiàn)最好,PD偏移量為4種方法中最低,EAP周期極為接近實際值,EGN步數(shù)在數(shù)據(jù)有效范圍內是正確的,圖8(e)中的切分結果也較為符合步態(tài)理論模型的情況.由于本數(shù)據(jù)樣本實際采樣點與本文方法選取起始點原則不同,出現(xiàn)了一定的平移偏差,在本節(jié)前文已論述過此問題,平移偏差并不能說明本部分各個方法是不合理的.

本樣本在大約1 150ms后數(shù)據(jù)因不在有效區(qū)間內而未被列入分析范圍,故而Real Gait Number一欄填寫為“8.00(+1.00)”.

3.3 實驗總結

本文實驗部分總共進行了3組實驗數(shù)據(jù)共12個分實驗,分別驗證了OGA+,BGR,FFT及本文改進方法HFM的實驗效果.其中,OGA+是在OGA這一樸素方法的基礎上進行輕微改進,以適應實際數(shù)據(jù)集的方法.

本文所使用的ZJU-Gait Dataset數(shù)據(jù)集自帶步數(shù)及有效數(shù)據(jù)區(qū)間,本文為了體現(xiàn)本文方法在缺乏多種預設條件下的優(yōu)越性,未使用步數(shù)信息,同時也不預設步態(tài)模板數(shù)據(jù)庫.

OGA方法及其改進 OGA+方法均為單純基于波峰波谷的步態(tài)數(shù)據(jù)分析方法,在 3組實驗中,OGA+無論是實驗對比圖或是表格量化數(shù)值不如本文改進方法效果科學.原因是只依賴于峰值谷值這一單一指標,很難避免非真實步態(tài)段轉換點的波峰或波谷對于步態(tài)數(shù)據(jù)段求解的影響.本文通過更為全面的求解原則,將波峰波谷檢測與相關閾值結合起來,改善了這一問題.

BGR方法的效果在本文實驗中表現(xiàn)最差,原因在于:本文設定實驗條件為位置步態(tài)步數(shù)及未預設步態(tài)模板的實驗數(shù)據(jù),BGR方法完全無法解決這類情況;同時,該方法使用的步態(tài)模型與常用的步態(tài)模型均不相同,根據(jù)實驗結果及分析可知,大量數(shù)據(jù)段被錯誤判斷.本文通過使用FFT方法求解預估單獨周期及步數(shù),并在此基礎上結合相關理論知識及模型進行進一步精細計算,大大克服了BGR方法的局限性.

RRA方法在Sample A中表現(xiàn)較好,而在Sample B,Sample C中的實驗效果較差.其根本原因是由于此方法建立在人工觀察設定的單一恒定常數(shù)閾值上,樣本 A由于手工選定了合適的常數(shù)閾值,求解的步態(tài)周期段較為準確,Sample B,Sample C在不改變此常數(shù)閾值取值的情況下則表現(xiàn)出該方法的局限性.在實際應用中,很多情況下無法事先得知或正確判斷出某一數(shù)據(jù)集應適合的閾值,此方法只采用單一常數(shù)的思路無法適應這些情況,缺乏魯棒性,適應性較低.

FFT方法求解的結果是固定值,而實際步態(tài)數(shù)據(jù)中的步態(tài)段長度是動態(tài)變化的.因此,若使用本方法機械求解,前幾步步態(tài)段可能是與實際情況相似的,但中后部的實際采樣點與理論切分點的偏移必然會逐漸增大,以致于后部結果完全失去步態(tài)數(shù)據(jù)圖像的規(guī)律性,為后續(xù)分析帶來困難.本文通過設定周期的動態(tài)容錯區(qū)間,克服了FFT恒定周期的這一局限.

BGR與FFT方法的另一個共同缺點是:由于其方法本身有各自的功能缺陷,當需要分析步態(tài)的兩個階段時,其均無法對其進行stance,swing階段切分,逞論進一步分析了.本文的解決方案中包含對于步態(tài)模型兩階段的切分過程.

文獻[11]中步態(tài)段檢驗這一關鍵步驟與 RRA方法具有相同的缺陷,同樣是以一個人工定義的恒定常數(shù)閾值作為基礎,缺乏可容錯性空間.關于人工定義閾值的缺陷已在BGR及RRA方法的實驗中得到充分體現(xiàn),故不再針對此文獻與本文研究課題相似的階段再進行實驗.

由表4的實驗數(shù)據(jù)總表及上述實驗圖可知:本文方法的實驗效果較為顯著,樣本A、樣本C均優(yōu)越了一兩個數(shù)量級.尤其是從圖中可見:本文方法可以較為準確地標記識別出各個步態(tài)段,而其他對比方法則出現(xiàn)了各種誤差.實驗數(shù)據(jù)中部分對比實驗的偏移量較好,但多數(shù)是因正負誤差抵消所致.

Table 4 General table of experiments表4 實驗數(shù)據(jù)總表

根據(jù)以上實驗及實驗分析可知:本文提出的方法可以有效解決未知步態(tài)信息下的步態(tài)數(shù)據(jù)分析問題,求解得出了最為合理的步態(tài)周期段,且具有自適應性與自動性,對于處理與分析步態(tài)數(shù)據(jù)這一智能數(shù)據(jù)分析問題有較為理想的實驗效果,是一種基于大量研究文獻通用模型下的高可用性數(shù)據(jù)處理方法.

4 結論與未來工作

步態(tài)數(shù)據(jù)分析是智能數(shù)據(jù)分析的一個重要方向,針對如何更好地分析未知步態(tài)數(shù)據(jù)進而求解出更合理的步態(tài)周期段這一本領域的核心課題,本文方法有效提高了未知步態(tài)數(shù)據(jù)的分析準確性,通過預估步數(shù),并結合相關理論知識,有效解決了目前方法無法解決的在多種信息缺失的情況下(例如步數(shù)信息與步態(tài)模板數(shù)據(jù))對于未知步態(tài)數(shù)據(jù)進行分析并按照通用模型進行步態(tài)周期段求解這一重要問題,同時設定可自修正自適應區(qū)間,使得本文方法具有較強的動態(tài)性和可用性.

在步態(tài)數(shù)據(jù)分析方向,在此基礎上還可以進行許多其他延伸課題.未來預計使用此方法結合其他信息豐富的數(shù)據(jù)集進行深入研究,如可以結合角度、GPS、磁力計信息等對步態(tài)情況進行全面研究,或結合心跳數(shù)據(jù)對心臟及其他器官的健康狀況進行研究,抑或使用聚類方法或其他深度學習方法對步態(tài)進行進一步識別與其他研究.同時,也將考慮將本文成果及延伸思想應用于模式識別與數(shù)據(jù)挖掘領域.本文采用的是一種先驗知識取得的模板,而在其他動作識別領域,也可以將本文思想擴展應用,通過一定方法取得新的未知動作的模板進行建模作為新的先驗知識,進而對動作進行識別與分析處理,更可以將此思路應用于更廣闊的智能數(shù)據(jù)處理領域.