熊偉 徐秀娟

摘要：步態(tài)識(shí)別技術(shù)在許多領(lǐng)域得到了很好的應(yīng)用，并已成為第二代生物特征識(shí)別技術(shù)的代表，推動(dòng)了模式識(shí)別、信號(hào)處理等領(lǐng)域的發(fā)展。步態(tài)識(shí)別的關(guān)鍵是找到合適的步態(tài)特征和分類方法，從而提高步態(tài)識(shí)別的準(zhǔn)確性。本文針對(duì)上樓、下樓、上坡、下坡和平地行走的五種步態(tài)，收集多源信息，提出利用多核多分類相關(guān)向量機(jī)（MKRVM）建立步態(tài)識(shí)別算法。通過對(duì)不同分類器的識(shí)別準(zhǔn)確率結(jié)果的比較，表明MKRVM算法比單核SVM和單核RVM算法具有更高的識(shí)別率。

關(guān)鍵詞：步態(tài)識(shí)別;下肢表面肌電信號(hào);相關(guān)向量機(jī)

中圖分類號(hào)：A 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：（2021）-14-379

1.介紹

步態(tài)是指在運(yùn)動(dòng)過程中全身的運(yùn)動(dòng)姿勢(shì)。步態(tài)識(shí)別是一個(gè)涉及模式識(shí)別、人工智能等諸多領(lǐng)域的研究課題，在醫(yī)學(xué)等領(lǐng)域有著廣泛的應(yīng)用價(jià)值。本文研究了基于多源信息融合的步態(tài)識(shí)別算法。以肌電圖信號(hào)、膝關(guān)節(jié)角信號(hào)和足底壓力信號(hào)為步態(tài)識(shí)別信息源，提出利用MKRVM算法識(shí)別上、下、上、下和平地行走5種步態(tài)模式。我們根據(jù)每個(gè)信號(hào)的特征選擇合適的核函數(shù)，并對(duì)核函數(shù)的參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)的核函數(shù)組合。最后，比較了不同分類器的識(shí)別準(zhǔn)確率，確定了每個(gè)信息源識(shí)別率最高的核函數(shù)，從而構(gòu)建出最優(yōu)的步態(tài)識(shí)別算法。

2.人體步態(tài)的主要特征參數(shù)

人體步態(tài)的主要特征參數(shù)包括時(shí)空參數(shù)、關(guān)節(jié)角度參數(shù)、下肢運(yùn)動(dòng)學(xué)參數(shù)和下肢肌肉特征參數(shù)。

2.1 時(shí)空參數(shù)

時(shí)空參數(shù)是指步態(tài)周期、步長(zhǎng)（step length）、步幅（stride length）、步速（walking speed）等特征。步態(tài)周期是指從腳著地到腳再次著地的時(shí)間過程。根據(jù)行走時(shí)下肢的位置可分為支撐期和擺動(dòng)期。

步態(tài)的跨步特征是足著地的空間特征量，包括步速、步長(zhǎng)和步幅等，如圖1所示。

2.2 關(guān)節(jié)角參數(shù)

關(guān)節(jié)角度參數(shù)是指髖、膝和踝三個(gè)關(guān)節(jié)的運(yùn)動(dòng)特性，如各個(gè)關(guān)節(jié)的角度、角速度和角加速度等。髖關(guān)節(jié)角是指軀干縱軸與股骨縱軸之間的夾角。膝關(guān)節(jié)角是股骨縱軸的延長(zhǎng)線與脛骨縱軸的平行線之間的夾角。踝關(guān)節(jié)角是指第五跖骨與腓骨外側(cè)中線的夾角為負(fù)90°。

2.3 下肢運(yùn)動(dòng)學(xué)參數(shù)

下肢運(yùn)動(dòng)學(xué)參數(shù)主要包括足底壓力、各種關(guān)節(jié)力矩等。

2.4 下肢肌肉特征參數(shù)

下肢肌肉特征參數(shù)主要體現(xiàn)在運(yùn)動(dòng)狀態(tài)下的下肢肌電信號(hào)中。

從以上對(duì)步態(tài)參數(shù)的描述可以看出，時(shí)空參數(shù)更加直觀，關(guān)節(jié)角度參數(shù)和運(yùn)動(dòng)學(xué)力學(xué)參數(shù)可以更詳細(xì)地描述步態(tài)細(xì)節(jié)。本文主要研究下肢肌電信號(hào)、足底壓力、髖關(guān)節(jié)角度、加速度等信號(hào)，為進(jìn)一步研究步態(tài)識(shí)別技術(shù)奠定基礎(chǔ)。

3.多源步態(tài)信息的收集

從的角度多種運(yùn)動(dòng)模式和步態(tài)識(shí)別，本文獲得的多源信息，如表面的下肢肌電圖信號(hào)，髖關(guān)節(jié)的角加速度，腳的壓力等等，并使用多傳感器融合技術(shù)實(shí)現(xiàn)多傳感器優(yōu)勢(shì)互補(bǔ)，這樣實(shí)現(xiàn)的識(shí)別更多種類的運(yùn)動(dòng)和行為模式。

選取年齡在20 ～ 50歲、性別不同的健康受試者50人作為研究對(duì)象。每個(gè)受試者的個(gè)人信息見表1。

在多源信息采集系統(tǒng)中，無線肌電信號(hào)傳感器的采樣頻率為1000hz。肌電信號(hào)通過無線網(wǎng)絡(luò)傳輸?shù)接?jì)算機(jī)。采集到的髖關(guān)節(jié)運(yùn)動(dòng)信號(hào)和足底壓力信號(hào)通過采集卡傳到計(jì)算機(jī)，采樣頻率為1000Hz。

為了讓受試者完成上、下、上、下、平地面行走的五種步態(tài)，我們搭建了一個(gè)標(biāo)準(zhǔn)的測(cè)試平臺(tái)。實(shí)驗(yàn)平臺(tái)由樓梯、斜坡、平板組成。樓梯設(shè)有6級(jí)臺(tái)階，可完成3次步態(tài)循環(huán)，臺(tái)階高度150mm，用途廣泛;坡道為15度的無障礙通道坡道，可完成的步態(tài)周期數(shù)由個(gè)人行走特點(diǎn)決定，一般為3-4周期;平面板連接樓梯與斜坡，更符合日常生活中行走的步態(tài)。平地行走的實(shí)驗(yàn)可以在活動(dòng)空間大的實(shí)驗(yàn)室里進(jìn)行，不需要局限在平板上。

每個(gè)受試者每步采集5組數(shù)據(jù)，然后休息5分鐘，放松腿部肌肉，避免肌肉疲勞對(duì)實(shí)驗(yàn)的影響，確保實(shí)驗(yàn)數(shù)據(jù)的客觀性。所有受試者均被要求在實(shí)驗(yàn)前24小時(shí)內(nèi)無劇烈活動(dòng)或肌肉疲勞。實(shí)驗(yàn)前，使用異丙醇擦拭肌電信號(hào)傳感器表面和銀質(zhì)檢測(cè)條，去除殘留物。傳感器位置確定后，使用與銀條檢測(cè)條相匹配的雙面膠帶將傳感器固定在清理好的皮膚處。

實(shí)驗(yàn)內(nèi)容如下：（a）上下樓實(shí)驗(yàn);（b）上下坡實(shí)驗(yàn);（c）平地行走實(shí)驗(yàn);（d）受試者在室內(nèi)跑步機(jī)上進(jìn)行不同步速行走。

在實(shí)驗(yàn)（d）開始之前，受試者被要求以跑步機(jī)上以待測(cè)速度熱身1.0-1.5分鐘。為了保證被試者姿勢(shì)自然，在實(shí)驗(yàn)開始后，待受試者的速度穩(wěn)定后，開始采集數(shù)據(jù)。

實(shí)驗(yàn)步驟如下：

（a）受試者了解整個(gè)實(shí)驗(yàn)過程，確保正確理解實(shí)驗(yàn)操作;

（b）對(duì)受試者皮膚進(jìn)行處理，粘貼表面肌電電極;

（c）實(shí)驗(yàn)前，受試者應(yīng)充分熟悉動(dòng)作要領(lǐng)，進(jìn)行2-3次的熟悉性操作;

（d）受試者重復(fù)完成上下樓梯、上坡、下坡、不同速度的平地行走步態(tài)，每種步態(tài)重復(fù)5-10次，采集多源信號(hào)數(shù)據(jù);;

（e）采集的數(shù)據(jù)確認(rèn)有效后，實(shí)驗(yàn)結(jié)束。

4.基于多源信息的步態(tài)識(shí)別算法

4.1多核多分類RVM的步態(tài)識(shí)別算法

關(guān)聯(lián)向量機(jī)（RVM）是一種基于貝葉斯框架理論的機(jī)器學(xué)習(xí)方法。RVM本質(zhì)上仍然是兩個(gè)分類器。不同的核函數(shù)對(duì)應(yīng)著不同信息源的特征空間和非線性映射。多核函數(shù)的映射能力更強(qiáng)，同時(shí)使用多個(gè)核函數(shù)可以提高決策函數(shù)的性能。多核多關(guān)聯(lián)向量機(jī)（MKRVM）也采用分層貝葉斯模型，通過引入多項(xiàng)概率似然函數(shù)來融合不同的特征信息，從而得到更好的組合特征。其中S表示信息數(shù)據(jù)的類別，β1，β2，…βS表示組合的內(nèi)核參數(shù)。

假設(shè)有S種信息源，通過某種方法提取特征后得到S個(gè)特征空間，則樣本數(shù)據(jù)集可以表示為XS=xi，tiNi=1。N為樣本個(gè)數(shù);D是特征向量的維數(shù);C是類別的數(shù)量。當(dāng)核函數(shù)確定時(shí)，核矩陣表示為KS。多核矩陣定義為：

4.2 核函數(shù)選擇及算法流程

核函數(shù)的選擇是MKRVM識(shí)別準(zhǔn)確性的關(guān)鍵。不同的數(shù)據(jù)信息在特征空間中的分布是不同的，因此為每個(gè)信息數(shù)據(jù)選擇合適的核函數(shù)將對(duì)最終的分類產(chǎn)生相應(yīng)的影響。

支持向量機(jī)和RVM分類器算法的主要優(yōu)點(diǎn)之一是使用了核函數(shù)。常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)和sigmoid核函數(shù)。其公式如下：

式中，g為核函數(shù)中向量積的系數(shù);c為核函數(shù)的獨(dú)立項(xiàng);d是多項(xiàng)式核函數(shù)的寬度。

本文基于MKRVM分類算法的下肢步態(tài)識(shí)別方法整合了不同特征的步態(tài)信息。其步態(tài)識(shí)別算法流程如圖2所示。

5.實(shí)驗(yàn)結(jié)果與分析

MKRVM分類輸出各種步態(tài)的概率，最大概率值對(duì)應(yīng)的步態(tài)作為識(shí)別結(jié)果。本文分析了五種步態(tài)的實(shí)驗(yàn)數(shù)據(jù)。然后，通過比較單核支持向量機(jī)和單核RVM，分析不同步態(tài)特征的核函數(shù)性能。我們隨機(jī)將離線樣本集分為三部分：70%用于訓(xùn)練模型，20%用于交叉驗(yàn)證參數(shù)優(yōu)化，剩下的10%用于離線測(cè)試。在參數(shù)優(yōu)化過程中，每次從交叉驗(yàn)證樣本中隨機(jī)選取20個(gè)樣本，計(jì)算交叉驗(yàn)證的精度。當(dāng)準(zhǔn)確率達(dá)到預(yù)定值（90%）時(shí)終止，并將最大代數(shù)設(shè)置為500代。

以平地行走實(shí)驗(yàn)數(shù)據(jù)為例，采用SVM和RVM算法的單核分類器識(shí)別結(jié)果如表2所示

對(duì)于MKRVM的參數(shù)設(shè)置，本文采用遺傳算法對(duì)MKRVM的核函數(shù)參數(shù)進(jìn)行優(yōu)化。對(duì)于上、下、上、下、平地面行走的5種步態(tài)，不同分類器的識(shí)別結(jié)果如表3所示。

可以看出，MKRVM的識(shí)別準(zhǔn)確率高于單核SVM和單核RVM。通過實(shí)驗(yàn)結(jié)果分析，MKRVM結(jié)合了多源信號(hào)的步態(tài)信息，優(yōu)于BP、SVM和RVM。同時(shí)也可以看出，使用多個(gè)核函數(shù)組合的性能要優(yōu)于使用單個(gè)核函數(shù)。

6.結(jié)論

本文采用多源信息采集系統(tǒng)采集上樓、下樓、上坡、下坡、平地行走五種步態(tài)的表面肌電信號(hào)、足底壓力信號(hào)和慣性信號(hào)，采用多核MKRVM進(jìn)行步態(tài)識(shí)別。通過對(duì)不同分類器的識(shí)別精度結(jié)果的比較，表明MKRVM算法結(jié)合了下肢肌電信號(hào)、足底壓力信號(hào)和髖關(guān)節(jié)角度信號(hào)等多源信息，為每個(gè)信息源選擇最佳的核函數(shù)和參數(shù)，比單一核SVM和RVM具有更高的識(shí)別率。

參考文獻(xiàn)

[1].柴艷妹，夏天，韓文英.多特征融合的步態(tài)識(shí)別算法[J].小型微型計(jì)算機(jī)系統(tǒng)2014，

[2].賁睨燁.基于人體運(yùn)動(dòng)分析的步態(tài)識(shí)別算法研究[D].哈爾濱：哈爾濱工程大學(xué)， 2009

[3].譚建輝，潘保昌.基于徑問基函數(shù)神經(jīng)網(wǎng)絡(luò)的紅外步態(tài)識(shí)別[J].日算機(jī)工程與應(yīng)用，2011

基金項(xiàng)目：本文系江西省教育廳科學(xué)技術(shù)研究項(xiàng)目“《基于多源信息的步態(tài)識(shí)別算法研究》（課題編號(hào)：GJJ191195）”的研究成果。

江西工程學(xué)院