薛蕊，曾實(shí)現(xiàn)

（青島黃海學(xué)院，山東 青島 266427）

0 引言

姿態(tài)控制膝關(guān)節(jié)矯形器是一種可穿戴式步行輔助裝置，可防止膝蓋在承重過程中塌陷，并在工作過程中提供無阻礙的膝蓋運(yùn)動(dòng)。該系統(tǒng)提出一種識別步態(tài)相位的方法，可準(zhǔn)確提供來自大腿和膝蓋的局部步態(tài)數(shù)據(jù)。準(zhǔn)確的步態(tài)相位識別能控制跨越不同的水平表面和垂直跨步速度，為控制系統(tǒng)提供實(shí)時(shí)基本信息。項(xiàng)目研究中提出新型的膝關(guān)節(jié)矯形器能夠?qū)⑻崛〈笸群拖ドw的信號特征與決策樹估算的數(shù)據(jù)特征結(jié)合起來，并通過轉(zhuǎn)換序列驗(yàn)證和校正算法改進(jìn)Logistic模型決策樹，對水平表面速度、步行速度或個(gè)人步態(tài)的變化情況進(jìn)行階段性分類，可以提供高度準(zhǔn)確的GPR性能和更合適的系統(tǒng)設(shè)計(jì)。

1 數(shù)據(jù)收集

在康復(fù)虛擬環(huán)境系統(tǒng)中收集多名健全測試者的步行數(shù)據(jù)，該系統(tǒng)包括一個(gè)六自由度力板平臺、一臺1m×2m雙胎面儀表跑步機(jī)、180°屏幕虛擬投影以及3D動(dòng)作捕捉系統(tǒng)等。通過測試者全身標(biāo)記數(shù)據(jù)集定義了所有關(guān)節(jié)和體節(jié)位置[1]，并記錄了地面反應(yīng)力。每個(gè)測試者都在固定的傾斜角度和速度下進(jìn)行測試，將關(guān)節(jié)和身體部分軌跡導(dǎo)入3D動(dòng)作捕捉系統(tǒng)進(jìn)行生物力學(xué)分析。在計(jì)算關(guān)節(jié)和分段運(yùn)動(dòng)數(shù)據(jù)之前，采用較小截止頻率的四階低通巴特沃斯濾波器標(biāo)記數(shù)據(jù)。從每個(gè)行走狀態(tài)提取膝關(guān)節(jié)屈伸角度、每個(gè)軸的大腿段角速度和加速度，最后將數(shù)據(jù)導(dǎo)入Matlab建模。

2 步態(tài)相位識別

步態(tài)相位數(shù)據(jù)的分割可以通過自定義Matlab程序?qū)崿F(xiàn)，根據(jù)矯正器初始接觸、站立、足部和最大膝關(guān)節(jié)屈曲等步態(tài)動(dòng)作[2]進(jìn)行分解，膝關(guān)節(jié)屈伸角度（KA）、每個(gè)軸的大腿段角速度（AV）（x，y，z）和加速度（AC）（x，y，z）信號被劃分為四個(gè)步態(tài)階段：加載響應(yīng)（LR），起步（PO），搖擺（Sw）和終端擺動(dòng)（TSw）。其中，大腿段加速度和角速度結(jié)果用來補(bǔ)充信號，從中提取特征進(jìn)行估算。公式（1）為速度合成信號，其中υx、υy和υz分別為來自x，y，z方向的加速度和角速度信號：

選擇相關(guān)性特征應(yīng)用于初步分析[3]，提取20個(gè)特征：膝關(guān)節(jié)屈伸角度的平均值（x軸）、方差（x軸）、最大差異（x軸）以及最小值（x軸），大腿段角速度的平均值（x軸，y軸）、最大差異（x軸）和最小值（y軸），大腿段加速度平均值（y軸，z軸），最大值（y-axis）和峰峰值總和（x軸，y軸，z軸），以及大腿段角速度的主頻率（y軸）、z軸之間的相關(guān)系數(shù)和y軸加速度?；瑒?dòng)窗口中每個(gè)數(shù)據(jù)點(diǎn)的分?jǐn)?shù)之和為信號和，其中負(fù)值減1，正值加1。所有特征都從0.1s滑動(dòng)窗口中提取，具有90%的重疊，增量為0.01s，并根據(jù)每個(gè)窗口中的最后一個(gè)數(shù)據(jù)點(diǎn)[4]標(biāo)記階段性步態(tài)參數(shù)。

2.1 決策樹設(shè)計(jì)

提取特征向量用來做數(shù)據(jù)估算，使用Logistic模型決策樹[5]分類器把數(shù)據(jù)分層訓(xùn)練，并通過交叉驗(yàn)證進(jìn)行測試。通過訓(xùn)練集提供性能指標(biāo)，決策樹在終端葉節(jié)點(diǎn)處生成邏輯回歸模型。該函數(shù)將從滑動(dòng)窗口計(jì)算的特征向量作為輸入，并且以最大概率返回于決策樹模型的步態(tài)相位作為預(yù)測值。雙曲線函數(shù)方程如公式（2），用于步態(tài)階段概率的計(jì)算：

其中，λ為邏輯回歸的多變量特征的線性組合系數(shù)，i為步態(tài)相位中的系數(shù)，λ與i相對應(yīng)。

2.2 轉(zhuǎn)換序列的驗(yàn)證和校正

在步態(tài)相位識別GPR模型進(jìn)行類輸出之后，再用“轉(zhuǎn)換序列驗(yàn)證和校正”（TSVC）算法來計(jì)算不連續(xù)的類函數(shù)，且檢查當(dāng)前步態(tài)階段的幾個(gè)連續(xù)序列信號是否相同，如果不同則對異常值分類，進(jìn)行重新標(biāo)記。該GPR模型和TSVC算法結(jié)合還可以間接識別步態(tài)特征，將膝關(guān)節(jié)屈伸角度（KA）、大腿段角速度（AV）和加速度AC傳感器輸出的20個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)存在滑動(dòng)窗口中，再由Logistic回歸模型決策樹進(jìn)行特征提取，最后通過算法進(jìn)行驗(yàn)證和校正連續(xù)步態(tài)相序并輸出分類。這時(shí)系統(tǒng)將滑動(dòng)窗口延長一定時(shí)間，并對下一組數(shù)據(jù)進(jìn)行分類。步態(tài)識別流程圖如圖1。

2.3 決策樹分類器的評估

分類器的性能指標(biāo)包括樹大小，葉節(jié)點(diǎn)數(shù)，分類器的總體準(zhǔn)確度(Acc)，靈敏度（Sens），特異性（Spec），精確度（Prec）等。將系統(tǒng)提供的特征矩陣作為測試集，根據(jù)Matlab2016b中的混淆矩陣計(jì)算具有TSVC的LMDT的分類指標(biāo)，加權(quán)平均值公式（3）：

其中，ψ為分類指標(biāo)，i為特定步態(tài)相位，I為與每個(gè)步態(tài)相位相關(guān)的總特征矩陣中的實(shí)例總數(shù)。

2.4 結(jié)果分析

步態(tài)相位識別LMDT大小為1643，具有822個(gè)葉節(jié)點(diǎn)，在每個(gè)葉節(jié)點(diǎn)處都有邏輯回歸函數(shù)。該研究驗(yàn)證了通過建模的步態(tài)相位識別系統(tǒng)的可行性，引導(dǎo)了矯形器的控制。步態(tài)相位識別分類器設(shè)計(jì)和Logistic控制模型決策樹相結(jié)合，能可靠地識別不同的步行速度的步態(tài)相位[6]。由于我們的GPR模型是從小數(shù)據(jù)滑動(dòng)窗口中提取的簡單數(shù)據(jù)特征的數(shù)據(jù)集開始訓(xùn)練的，這些數(shù)據(jù)來自實(shí)測的大腿和膝蓋信號，可以在各種行走條件下進(jìn)行，結(jié)果可以直接轉(zhuǎn)換為實(shí)時(shí)膝關(guān)節(jié)矯形器控制。研究中，分類器在每個(gè)終端節(jié)點(diǎn)處產(chǎn)生Logistic回歸模型以處理多類目標(biāo)變量。正確矯形數(shù)據(jù)后產(chǎn)生比普通分類樹更小的樹，較小的決策樹生成更簡單的模型。對于實(shí)時(shí)矯形器控制中的GPR，只要可以在適當(dāng)?shù)臅r(shí)間段內(nèi)做出分類決定，高精度和普遍性比樹大小更重要，所有指標(biāo)的分類性能也得到了改善。GPR模型具有很好的分類性能，該模型可以成為姿態(tài)控制膝關(guān)節(jié)矯形器中局部智能傳感器系統(tǒng)控制的依據(jù)。從LMT模型中提取大腿和膝蓋的傳感器信號特征可以提供高度準(zhǔn)確的GPR性能，再通過TSVC算法來改善分類結(jié)果，最后使用不同的數(shù)據(jù)驗(yàn)證集來評估GPR模型[7-8]。

3 結(jié)語

利用TSVC算法通過驗(yàn)證集提高了步態(tài)分類信號的準(zhǔn)確度，因?yàn)椴叫袝r(shí)步態(tài)相位是連續(xù)的，在步態(tài)變相期間，步態(tài)信號是退出一個(gè)階段并進(jìn)入下一階段進(jìn)行延續(xù)的。因此，在一個(gè)步態(tài)相位轉(zhuǎn)換為另一個(gè)步態(tài)的區(qū)域，如果信號中沒有明顯的梯度變化，就不會(huì)發(fā)生分類。對于膝關(guān)節(jié)矯形器來說，在PO期間膝關(guān)節(jié)理想地釋放，在預(yù)擺動(dòng)期間，當(dāng)負(fù)重下降時(shí)膝關(guān)節(jié)屈曲數(shù)據(jù)開始產(chǎn)生，即為安全的膝關(guān)節(jié)釋放點(diǎn)。系統(tǒng)通過調(diào)整矯形器的控制可以幫助實(shí)現(xiàn)這個(gè)理想的PO擺動(dòng)轉(zhuǎn)換點(diǎn)。總之，使用TSVC改進(jìn)了具有驗(yàn)證集的GPR模型分類性能，并且與訓(xùn)練集結(jié)果相接近?；贚ogistic回歸模型決策樹的步態(tài)相位識別成功地識別了多個(gè)不同表面的加載響應(yīng)、膝關(guān)節(jié)推出、擺動(dòng)和終端擺動(dòng)步態(tài)階段以及一系列步行速度，輸入數(shù)據(jù)定位于大腿部和膝蓋部。要實(shí)現(xiàn)較高的GPR性能，步態(tài)相位序列驗(yàn)證和校正算法必不可少。該研究為多個(gè)真實(shí)行走場景中的實(shí)時(shí)矯形器控制提供了依據(jù)，增強(qiáng)了步態(tài)相位識別的準(zhǔn)確性。大腿和膝蓋處的局部傳感器降低了傳感器系統(tǒng)的復(fù)雜性，并為微處理器控制的膝關(guān)節(jié)矯形器提供集成的模塊化單元。