劉 磊，楊 鵬，劉作軍，宋寅卯，吳青娥

(1.鄭州輕工業(yè)大學(xué) 建筑環(huán)境工程學(xué)院,鄭州 450002； 2.河北工業(yè)大學(xué) 人工智能與數(shù)據(jù)科學(xué)學(xué)院,天津 300130)

截止到 2014 年底, 我國 60 歲以上老齡人口已達(dá)2.12億。 隨著交通事故、自然災(zāi)害等意外傷害的頻繁發(fā)生以及腦血管疾病、糖尿病和骨關(guān)節(jié)病等慢性疾病的不斷蔓延，根據(jù)世界衛(wèi)生組織報告的最新結(jié)果顯示，截肢患者達(dá)到 1725萬, 下肢截肢約占肢體截肢總?cè)藬?shù)的51%。研發(fā)高性能智能下肢假肢是代償截肢者基本運(yùn)動功能的重要途徑。20世紀(jì)90年代，智能假肢開始興起并取得了一定的研究成果。德國奧托博克公司的 Genium 智能仿生假肢、冰島奧索公司的銳歐仿生磁控膝關(guān)節(jié)(REHO KNEE)、英國英中耐公司的艾倫 (Elan) 仿生電子踝腳等智能假肢產(chǎn)品和樣機(jī)逐步升級優(yōu)化[1]。我國在假肢研究方面起步較晚，金德聞等[2]研發(fā)了一種六連桿假肢膝關(guān)節(jié)。臺灣德林假肢有限公司推出三款多連桿大腿智能假肢產(chǎn)品。Chen等[3]設(shè)計出基于動態(tài)行走機(jī)理的“機(jī)器人假肢”。假肢控制首先是能夠準(zhǔn)確識別截肢者的路況，目前常用的路況識別信號源有運(yùn)動學(xué)信息和肌電信號(Electromyography，EMG)。由于運(yùn)動學(xué)信息需要某些特定的傳感器，如足底壓力、膝關(guān)節(jié)角度會在不同的路況中發(fā)生周期性變化，通過這些傳感器獲取的信號可以判斷路況信息，但傳感器在實際使用期間會磨損或者產(chǎn)生異位等現(xiàn)象造成路況識別準(zhǔn)確率較低。肌電信號是產(chǎn)生肌肉力的電信號根源，是更接近原始運(yùn)動意圖的信號，通過EMG可以在未做出動作前獲取主動運(yùn)動意圖，相對于采集足底壓力、速度等運(yùn)動力學(xué)信息的傳統(tǒng)方法具有明顯優(yōu)勢。因此本文選擇EMG作為路況識別信息源。

肌電信號假肢路況識別研究中，特征提取和分類識別是關(guān)鍵的2個環(huán)節(jié)，特征提取方法主要有時域法、時域-頻域法、頻域法、非線性特征法等[4]。上述特征提取未考慮肌電信號源信號未知的特點，為了克服這一缺點，本文建立輔助變量盲辨識模型，并將雙通道肌電信號的線性組合作為輔助變量克服了傳統(tǒng)輔助變量必須為已知源信號的難題，采用模型系數(shù)作為EMG特征。高性能的分類器可以確保其控制的準(zhǔn)確性。肌電信號分類方法主要包括BP神經(jīng)網(wǎng)絡(luò)、簡約支持向量機(jī)、極限學(xué)習(xí)機(jī)、隱馬爾科夫模型分類器、K 最近鄰分類器等方法。吳劍鋒[13]提出的基于表面肌電信號的簡約支持向量機(jī)可識別六種路況，平均識別率達(dá)到 90%。佟麗娜等[5]使用隱馬爾科夫模型分類器識別方法識別起立、坐下等8種路況，分類精度為91.67%。Huang等[6]同時使用了判別分析和支持向量機(jī)的分類識別方法識別平地行走等5種路況，識別率提高到 91.25%。李影[7]使用小波包能量作為特征，采用ELM分類識別路況，實驗結(jié)果表明ELM方法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、簡約支持向量機(jī)、隱馬爾科夫模型等方法，但是ELM方法中輸入層到隱含層節(jié)點的權(quán)值和偏置都是根據(jù)樣本分布隨機(jī)賦值，如果選取不合適會影響識別結(jié)果。煙花算法(Fireworks Algorithm，F(xiàn)A)是一種模擬煙花爆炸過程的全局優(yōu)化算法，為了克服這一缺點，本文采用煙花算法優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行路況分類。

本文首先將雙通道肌電信號的線性組合作為輔助變量，將模型系數(shù)作為信號的特征，并與常用EMG特征比較，最后采用煙花算法優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行路況分類，并與ELM、BP等方法進(jìn)行對比，實驗結(jié)果表明，該方法對平地行走、上樓、下樓、上坡、下坡、跑步進(jìn)行有效識別，識別準(zhǔn)確率、魯棒性優(yōu)于ELM等方法。

1 實驗方法

1.1 輔助變量盲辨識模型

本文根據(jù)肌電信號的產(chǎn)生機(jī)理[8]，采用2塊肌肉(股內(nèi)側(cè)肌、股直肌)肌電信號，對肌電信號建立單輸入多輸出的有限沖擊響應(yīng)(Finite Impulse Response，F(xiàn)IR)模型。本文建立的FIR模型是將肌電信號產(chǎn)生的整個過程等效為一個FIR系統(tǒng)，系統(tǒng)的輸入為大腦皮層中控制運(yùn)動部分的運(yùn)動神經(jīng)元發(fā)放的電脈沖序列，電脈沖經(jīng)脊髓、運(yùn)動神經(jīng)傳給肌肉的整個傳導(dǎo)過程等效為系統(tǒng)的一個傳遞函數(shù)H，輸出信號為實驗采集的EMG。圖1為雙通道FIR模型結(jié)構(gòu)圖。

圖1 雙通道FIR模型

圖1中：u為運(yùn)動神經(jīng)元引發(fā)的激勵信號，H(1)和H(2)為兩路肌纖維傳導(dǎo)通道的傳遞函數(shù)；x為系統(tǒng)輸出；N為觀測噪聲；y為實際采集的肌電信號。

不同路況會引發(fā)不同的肌肉收縮模式，這個差異是通過傳遞函數(shù)H(1)和H(2)來體現(xiàn)的，本文將辨識傳遞函數(shù)的系數(shù)作為信號的特征。

圖1中，輸出向量y(t)=[y1(t),y2(t),…,ym(t)]T，輸入向量u為未知向量，N(t)=[N1(t),N2(t),…,Nm(t)]T是互不關(guān)聯(lián)的隨機(jī)噪聲向量，傳遞函數(shù)H形式

H(i)(z)=bi(0)+bi(1)z-1+bi(2)z-2+…+

bi(ni)z-ni

(1)

bi(l)是需要辨識的參數(shù)。

由圖1可得式(2)：

y(i)=H(i)(z)u(t)+N(i)(t),i=1,2，…

(2)

因為u是未知的，因此，對于任意非零的常數(shù)α，都有以下關(guān)系成立：

(3)

即式(2)和(3)就會有相同的輸出，為了克服傳遞函數(shù)H都不唯一的缺點。本文參考文[9]，先對傳遞函數(shù)H進(jìn)行歸一化處理，假設(shè)傳遞函數(shù)均為首1多項式，即bi(0)=1,i=1,2。

由模型可得

y(1)(t)-N(1)(t)=H(1)(z)u(t)，

y(2)(t)-N(2)(t)=H(2)(z)u(t)

(4)

式(4)兩端相除并且十字相乘后可將式(4)化成差分方程的形式

(5)

定義向量

λT=[-y(2)(t-1),-y(2)(t-2),…，

-y(2)(t-n1),-y(1)(t-1),-y(1)(t-2),…，

-y(1)(t-n2)]T

(6)

σ=[b1(1),b1(2),…,b1(n1),b2(1),b2(2),…,

b2(n2)]T

(7)

(8)

則式(4)可以寫成

y(2)(t)-y(1)(t)=λTσ+e(t)

(9)

式中:噪聲e(t)無法確定其模型，本文采用輔助變量盲辨識的方法，該方法不用考慮噪聲的具體形式，但是，該系統(tǒng)的輸入變量是未知的，不符合傳統(tǒng)輔助變量為輸入變量的要求。輔助變量盲辨識方法的關(guān)鍵就在于構(gòu)造輔助變量，且輔助變量要滿足一定的限制條件：所選擇的輔助變量要與噪聲信號N(1)(t)和N(2)(t)無關(guān)，但是與y(1)(t)和y(2)(t)相關(guān)。

本文采用雙通道信號的線性組合構(gòu)造輔助變量。設(shè)

則式(9)可寫成

Y=Aσ+E

(10)

這里n為數(shù)據(jù)的長度，若存在一個與A同維數(shù)的矩陣F使得下式成立

(11)

式中:Q是非奇異矩陣，在式(10)兩端同時乘以，便可得到的無偏估計為

(12)

本文所構(gòu)造的輔助變量形式為：

(13)

1.2 煙花極限學(xué)習(xí)機(jī)分類模型

文獻(xiàn)[10-11]介紹了ELM分類算法，F(xiàn)A主要包括爆炸算子、變異操作。式(14)給出了初始化每個火花個數(shù)計算公式。

(14)

式中：ωi指第i個煙花產(chǎn)生的火花數(shù)量，i∈(1,N),m是常數(shù)，用來限制火花數(shù)量，f(xi)表示個體xi的適應(yīng)度值，ymax是當(dāng)前種群中適應(yīng)度值最差個體的適應(yīng)度值。ε是一個極小的常數(shù)。

FA采用爆炸煙花的方式多次迭代選擇出理想的輸入權(quán)值和隱含層偏差矩陣構(gòu)成ELM分類器。

煙花爆炸范圍的計算公式如下：

(15)

式中：Si表示第i個煙花的爆炸范圍；Z表示最大的爆炸幅度。ymax是當(dāng)前種群中適應(yīng)度值最好個體的適應(yīng)度值。f(xi)與ε與式(14)相同。

位移操作是對煙花的每一維進(jìn)行位移，表達(dá)式為

(16)

式中：random(0,Ai)表示在幅度Ai內(nèi)生成的均勻隨機(jī)數(shù)。

高斯變異提高了算法的魯棒性，表示第i個個體在第k維上的位置，計算方法如下

(17)

式中：g是服從均值為1，方差為1的高斯分布的隨機(jī)數(shù)，g=N(1,1)。

2 基于盲辨識模型和極限學(xué)習(xí)機(jī)假肢路況識別

采用煙花算法進(jìn)化極限學(xué)習(xí)機(jī)的下肢假肢路況識別方法首先選取下肢表面肌電信號作為信息源，提出肌電信號與運(yùn)動關(guān)系的輔助變量盲辨識模型，將模型系數(shù)作為信號特征，分類器ELM算法中隨機(jī)產(chǎn)生的輸入權(quán)值和隱含層偏差只有少部分是比較優(yōu)越的，為了克服該問題，本文提出了煙花算法進(jìn)化極限學(xué)習(xí)機(jī)算法。圖2給出了算法流程圖，算法具體步驟如下：

(1) 按照1.1節(jié)方法提取路況特征值，特征值的維度為d，p為隱含層節(jié)點數(shù)，訓(xùn)練樣本的均方根誤差(Root Mean Square error，RMSE)作為煙花算法的適應(yīng)度函數(shù)。

(2) 通過實驗比較后選擇合適的激活函數(shù)。

(3) 初始化N個煙花，確定煙花位置Hi，根據(jù)適應(yīng)度函數(shù)計算出最優(yōu)適應(yīng)度值B。

(4) 根據(jù)式(14)計算出每一個煙花產(chǎn)生子代火花的個數(shù)wi(i=1,2,…,N)，i=1。

(5) 根據(jù)式(15)計算出每一個煙花的爆炸范圍Gi。

(6) 根據(jù)式(16)對子代火花進(jìn)行位移變異，對從k維中隨機(jī)選擇一定維度進(jìn)行維度變異，在變異后的火花通過適應(yīng)度函數(shù)選擇最優(yōu)的火花Qi。

(7) 隨機(jī)選擇m個煙花按照式(17)高斯變異，依據(jù)評價函數(shù)選出最優(yōu)的火花Mi。

(8) 從Hi、Qi、Mi中選擇最優(yōu)的N個火花位置作為下一代火花爆炸位置。

(9)i=i+1，判斷i是否達(dá)到最大迭代次數(shù)，不成立跳轉(zhuǎn)到(3)。

(10) 得到最優(yōu)火花位置，即最優(yōu)的輸入權(quán)值矩陣和隱含層偏差構(gòu)建ELM分類器，分類6種路況。

圖2 算法流程圖

3 實驗結(jié)果及分析

本文主要是對上樓、下樓、上坡、下坡、平地行走、跑步6種路況識別。受試者為10位假肢穿戴者，表1記錄了受試者的年齡、殘肢長度比例、假肢型號以及穿戴時間等信息。本文參考文獻(xiàn)[4-5]方法選定股內(nèi)側(cè)肌和股直肌作為肌肉群，樓梯有10級臺階，臺階高度為廣泛應(yīng)用的150 mm；斜坡是無障礙通道的10°斜坡；平地實驗在寬闊的室外走廊中進(jìn)行，跑步在跑步機(jī)上完成。采用Delsys公司的Trigno肌電采集設(shè)備。該系統(tǒng)具有16個無線傳感器，Trigno肌電采集設(shè)備采樣頻率為1 000 Hz。圖3為平地行走實驗，圖4為上坡實驗，為了避免速度對路況識別結(jié)果的影響，受試者所有路況均勻速行走。在實時處理表面肌電信號的過程中，本文使用300 ms小段數(shù)據(jù)來進(jìn)行表面肌電信號的分析，后文做了實驗證明。10位受試者分別采集了6種路況的EMG數(shù)據(jù)各30組。將每種路況的1 800組數(shù)據(jù)900份用來訓(xùn)練，900份用來測試。后文研究了訓(xùn)練樣本所占比例不同情況下算法的識別準(zhǔn)確率。表2給出了路況分類期望輸出。

表1 受試者基本資料

表2 路況分類期望輸出

表3給出了不同傳遞函數(shù)階數(shù)ELM分類器路況識別準(zhǔn)確率，當(dāng)傳遞函數(shù)的階數(shù)n1=2，n2=5時，路況識別準(zhǔn)確率最高。表4為其中1位受試者6種路況下肌電信號通過輔助變量盲辨識方法辨識出的FIR模型系數(shù)。

表3 不同傳遞函數(shù)階數(shù)下ELM分類器路況識別準(zhǔn)確率

Tab.3 Road condition recognition accuracy of ELM classifier under different transfer function orders

n1=2n1=3n1=4n1=5n1=6n2=282.7587.2881.5579.2677.90n2=379.1581.3482.6488.5180.08n2=488.9590.1684.8285.2783.85n2=591.7682.4989.0990.8582.16n2=687.8388.7290.1684.8281.92

表4 不同路況下的FIR模型系數(shù)

在肌電信號路況識別問題的研究中，許多的研究方法是提取時域、頻域和時頻域特征。常用的時域特征有偏度(A1)、絕對值積分(A2)、方差(A3)、直方圖(A4)、峭度(A5)、過零點數(shù)(A6)、均方根值(A7)、4階自回歸系數(shù)(A8)等。表面肌電信號的頻域分析主要借助于功率譜分析方法,常用的頻域特征有平均功率頻率(A9)、中值頻率(A10)和功率譜比值(A11)等，常用的時頻域特征有小波變換系數(shù)(A12)、小波系數(shù)絕對值最大值(A13)。為了驗證本文所提出的FIR模型系數(shù)特征用于路況識別的可行性，將這些單一特征值作為ELM的輸入，再進(jìn)行分類。從圖5中可以看出：時頻域特征識別準(zhǔn)確率高于頻域特征，頻域特征高于時域特征。從方差角度來看，頻域特征值顯示了更好的穩(wěn)定性，所以采用頻域特征進(jìn)行路況識別穩(wěn)定性優(yōu)于時頻特征和時域特征。FIR模型系數(shù)(A14)特征表現(xiàn)出最好的分類準(zhǔn)確率，F(xiàn)IR模型系數(shù)特征更能表征不同路況。

圖5 采用不同的單一特征時的平均識別準(zhǔn)確率和方差對比

Fig.5 Average recognition accuracy and variance comparison when different single features are used

表5 基于FIR模型系數(shù)特征的路況識別的混淆矩陣

表5給出了基于FIR模型系數(shù)特征的路況識別的混淆矩陣,L1、L2、L3、L4、L5、L6分別表示平地行走、跑步、上樓、下樓、上坡、下坡。由表5的混淆矩陣不難看出,平地行走和跑步路況比較容易識別,兩者的識別準(zhǔn)確率都超過了93.28%。其次為上坡和下坡2種路況，上坡和下坡的識別準(zhǔn)確率均達(dá)到了91.57%。FIR模型系數(shù)類區(qū)分性更好，容易區(qū)分。較大差異，類間分離性較好，更具有代表性。上樓和下樓2種路況涉及多塊相鄰肌群的收縮，其識別準(zhǔn)確率相對較低。上坡易誤判為平地行走或下坡，產(chǎn)生誤判主要是因為上坡和平地行走、下坡路況對應(yīng)的某些肌肉所起的作用具有相似性。

本文建立的煙花極限學(xué)習(xí)機(jī)(FA-ELM)的識別模型中，該算法的參數(shù)設(shè)置設(shè)置為m=72,Z=30。常用的激活函數(shù)為Sine、Sigmoidal、Hardlim函數(shù)，圖6為3種激活函數(shù)下6種路況的平均識別準(zhǔn)確率的實驗結(jié)果，Sigmoidal函數(shù)相對于Sine與Hardlim函數(shù)識別準(zhǔn)確率高，波動小，因此本文選用sigmond函數(shù)。本文以 RMSE 作為誤差的衡量標(biāo)準(zhǔn)，圖7給出了ELM和FA-ELM訓(xùn)練誤差和測試誤差隨隱含層節(jié)點數(shù)目變化的曲線圖。

圖6 3種激活函數(shù)下6種路況的平均識別準(zhǔn)確率

Fig.6 Average recognition accuracy of 6 road conditions under 3 activation function

圖7 誤差隨隱含層節(jié)點數(shù)目變化曲線

從圖7可知，F(xiàn)A-ELM在隱含層節(jié)點數(shù)為10的時候RMSE達(dá)到最小值，而ELM為17時RMSE達(dá)到最小值。當(dāng)隱含層節(jié)點數(shù)逐漸增加到50時，ELM的 RMSE 先 減 小 后 逐 漸 穩(wěn) 定。而FWAELM在隱含層節(jié)點數(shù)為10時達(dá)到最小，到50的過程中基本是穩(wěn)定的。

設(shè)FA-ELM的隱含層節(jié)點數(shù)為10，迭代次數(shù)i=1，3，…，29，圖8給出了FA-ELM算法中測試誤差與訓(xùn)練誤差隨迭代次數(shù)的變化曲線。從圖8可知，隨著迭代次數(shù)增加，F(xiàn)A-ELM的測試誤差和訓(xùn)練誤差依次變小，迭代次數(shù)為19時，訓(xùn)練誤差基本保持不變；測試誤差達(dá)到最小值。

圖8 迭代次數(shù)對煙花極限學(xué)習(xí)機(jī)誤差的影響

迭代次數(shù)越多直接導(dǎo)致訓(xùn)練時間延長，為了權(quán)衡迭代次數(shù)和訓(xùn)練時間，本文設(shè)置FA-ELM的最優(yōu)迭代次數(shù)為19，F(xiàn)A-ELM的隱含層節(jié)點p=10。

在訓(xùn)練分類器時，訓(xùn)練樣本大小影響到識別準(zhǔn)確率，為了分析訓(xùn)練樣本數(shù)對識別準(zhǔn)確率的影響。在900組訓(xùn)練集中，選擇60組作為驗證集，然后從余下的840組中按照抽取比例在10%～90%之間變化作為訓(xùn)練集樣本，最后采用驗證集檢驗算法的性能。

圖9給出了訓(xùn)練樣本數(shù)對BP、ELM、FA-ELM3種算法識別準(zhǔn)確率的影響。有標(biāo)簽訓(xùn)練樣本占訓(xùn)練集比例為10%時，本文方法的分類準(zhǔn)確率為84.94%，比ELM算法高了 2.90%，比BP算法高了4.93%。隨著有標(biāo)簽訓(xùn)練樣本數(shù)量比例的上升，ELM等算法的分類精度逐漸提高，但是有標(biāo)簽訓(xùn)練樣本占訓(xùn)練集比例為40%時，ELM分類精度有所下降之后又逐漸提高。當(dāng)訓(xùn)練樣本占比為90%時，F(xiàn)A-ELM的分類準(zhǔn)確率為93.18%，仍然高于ELM算法(88.48%)，也高于BP算法(85.61%)。

圖9 有標(biāo)簽訓(xùn)練所占比例不同情況下算法的識別準(zhǔn)確率

圖10給出了數(shù)據(jù)長度與識別準(zhǔn)確率的關(guān)系，從圖9的實驗結(jié)果可以看出，數(shù)據(jù)長度的選擇會對分類結(jié)果產(chǎn)生影響，對于數(shù)據(jù)長度小于200 ms，路況識別準(zhǔn)確率都不高(小于88%)。當(dāng)每次識別利用的數(shù)據(jù)長度100 ms時，隨著數(shù)據(jù)長度的增大，識別準(zhǔn)確率有所提高。當(dāng)數(shù)據(jù)長度為300 ms達(dá)到最高的識別準(zhǔn)確率，隨著數(shù)據(jù)長度的繼續(xù)增加，準(zhǔn)確度并沒有繼續(xù)遞增，而是略微的起伏變化。綜合考慮系統(tǒng)的延遲時間和識別準(zhǔn)確率，每次特征提取利用的數(shù)據(jù)長度為300 ms。

圖10 識別準(zhǔn)確率隨數(shù)據(jù)長度變化曲線圖

為了比較FA-ELM的性能，本文從識別準(zhǔn)確率、訓(xùn)練時間和測試時間與BP網(wǎng)絡(luò)進(jìn)行對比。設(shè)置BP網(wǎng)絡(luò)學(xué)習(xí)速率為0.1，最大迭代次數(shù)為2 000，BP神經(jīng)網(wǎng)絡(luò)收斂條件為輸出均方差小于0.000 01。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)為trainlm。表6給出了基于FIR模型系數(shù)特征FA-ELM、ELM、BP 神經(jīng)網(wǎng)絡(luò)對6種路況的平均識別準(zhǔn)確率和測試時間。從表 6可以看出，基于煙花算法進(jìn)化ELM的分類方法比 ELM和BP神經(jīng)網(wǎng)絡(luò)分類平均準(zhǔn)確率分別高1.82%和4%。采用ELM分類器上樓、下樓的識別準(zhǔn)確率較低86.39%、82.18%。煙花算法進(jìn)化的ELM對上樓、下樓的分類準(zhǔn)確率分別為88.93%、88.26%。通過觀察表6可以看出經(jīng)過煙花算法優(yōu)化ELM分類器的下肢假肢路況識別中，煙花算法進(jìn)化ELM分類器的識別率高于沒有經(jīng)過參數(shù)優(yōu)化的ELM分類器，除了上坡、下坡以外，每種路況達(dá)到了90%以上。實驗結(jié)果表明，通過特征值的合理選擇以及分類器的優(yōu)化，路況識別準(zhǔn)確率明顯提升。

表6 FIR模型系數(shù)特征時路況識別情況

由表6可知，基于FIR模型系數(shù)單一特征，采用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間最長，采用煙花算法進(jìn)化ELM與ELM時間相比，前者約是后者的2倍，基于FIR模型系數(shù)特征的煙花算法進(jìn)化ELM測試時間約是基于FIR模型系數(shù)特征的ELM測試時間的三分之一，BP神經(jīng)網(wǎng)絡(luò)分類時間3種算法中耗時最長。

本文取最優(yōu)迭代次數(shù)為19，F(xiàn)A-ELM的隱含層節(jié)點為10，做10次訓(xùn)練測試實驗，測試結(jié)果如表7所示。利用煙花算法訓(xùn)練出來的極限學(xué)習(xí)機(jī)分類器的訓(xùn)練精度與測試精度差別較小。為了直觀反映煙花算法進(jìn)化極限學(xué)習(xí)機(jī)的魯棒性，表7中的ELM和FA-ELM測試精度的標(biāo)準(zhǔn)差分別為0.182 9、0.024 5，由此說明FA-ELM魯棒性優(yōu)于ELM。

表7 FA-ELM分類器的魯棒性分析

文獻(xiàn)[5,12-13]研究了采用EMG路況識別，與本文有相同的思路，本文使用2個肌電傳感器識別了6種路況，且平均識別精度達(dá)93.18%。表8為本文算法與文獻(xiàn)[5,12-13]對比的實驗結(jié)果?；诒砻婕‰娦盘柕穆窙r識別中，越少數(shù)量的肌電傳感器，則使用者越方便舒適、且成本越低。

表8 本文方法與其它方法比較

4 結(jié) 論

本文以大腿截肢者穿戴智能假肢行走時的路況識別為背景，提出了基于盲辨識模型和極限學(xué)習(xí)機(jī)的路況識別方法，針對在平地行走、上樓、下樓、上坡、下坡和跑步6種不同路況下行走時的肌電信號數(shù)據(jù)，進(jìn)行了基于煙花算法進(jìn)化極限學(xué)習(xí)機(jī)分類方法研究，并對該算法的魯棒性展開了討論，得出以下結(jié)論：

(1) 在6種路況下，肌電信號通過輔助變量盲辨識方法辨識出的FIR模型系數(shù)作為特征值，當(dāng)傳遞函數(shù)的階數(shù)n1=2，n2=5時，采用ELM分類器，路況識別準(zhǔn)確率為91.76%，優(yōu)于偏度、絕對值積分、方差、直方圖、峭度、過零點數(shù)等傳統(tǒng)特征。

(2) 將煙花算法融入到ELM分類中，可以發(fā)揮2種算法各自的優(yōu)勢，能夠快速尋找到最優(yōu)初始權(quán)值和閾值，分類時具有明顯的優(yōu)勢，單個樣本的測試時間為0.272 s，相對BP方法路況平均識別準(zhǔn)確率提升了5.02%。

(3) 路況識別對比實驗中，10次訓(xùn)練測試實驗得出ELM和FA-ELM測試精度的標(biāo)準(zhǔn)差分別為0.182 9、0.024 5，由此說明FA-ELM魯棒性優(yōu)于ELM。

本文旨在研究一種識別準(zhǔn)確率高、魯棒性好的基于肌電信號下肢假肢路況識別的算法，實驗表明采用煙花算法進(jìn)化極限學(xué)習(xí)機(jī)分類器模型具有較高的識別準(zhǔn)確率，有效地防止肌電信號誤識別引發(fā)的嚴(yán)重后果，如何提高肌電模式識別的實時性是下一步的研究內(nèi)容。