張 霞，趙 東，陶思翰

(重慶交通大學(xué)機(jī)電與車輛工程學(xué)院，重慶 400074)

近年來，外骨骼等穿戴式機(jī)器人設(shè)備在軍事、醫(yī)療、康復(fù)、工業(yè)等領(lǐng)域獲得極為迅速的發(fā)展。穿戴式機(jī)器人在運(yùn)動(dòng)輔助過程中根據(jù)人體運(yùn)動(dòng)模式提供相應(yīng)的輔助，是臨床應(yīng)用環(huán)節(jié)人機(jī)共融的關(guān)鍵因素。因此，精準(zhǔn)的人體動(dòng)作識(shí)別是提高穿戴式機(jī)器人設(shè)備助力性能和適應(yīng)能力的基礎(chǔ)，對(duì)實(shí)現(xiàn)柔順助力、促進(jìn)運(yùn)動(dòng)功能康復(fù)等至關(guān)重要。

根據(jù)數(shù)據(jù)采集設(shè)備的不同，下肢動(dòng)作模式識(shí)別方法主要分為基于圖像的步態(tài)識(shí)別方法和基于生物電信號(hào)及運(yùn)動(dòng)學(xué)參數(shù)的步態(tài)識(shí)別方法。例如，2009年美國(guó)明尼蘇達(dá)大學(xué)計(jì)算機(jī)科學(xué)與工程系人工智能、機(jī)器人與視覺實(shí)驗(yàn)室利用基于圖像的重建及繪制的方法拓展了人體運(yùn)動(dòng)和步態(tài)識(shí)別系統(tǒng)的適用范圍[1]，然而該方法的分類精度嚴(yán)重依賴攝像機(jī)與運(yùn)動(dòng)方向夾角以及訓(xùn)練視角，從而限制了實(shí)際場(chǎng)景中的應(yīng)用。CASTRO等[2]在2017年使用轉(zhuǎn)換或投影的方式使步態(tài)進(jìn)行多角度轉(zhuǎn)換，從步行者的局部步行特征出發(fā)進(jìn)行步態(tài)模式識(shí)別，但是局部運(yùn)動(dòng)特征并不能完全反映實(shí)驗(yàn)者在不同場(chǎng)景、不同狀態(tài)下的運(yùn)動(dòng)步態(tài)情況，具有一定的主觀性。基于生物電信號(hào)及運(yùn)動(dòng)學(xué)參數(shù)的步態(tài)識(shí)別方法是一種使用生物電信號(hào)、腿部角度信號(hào)和足底壓力信號(hào)等多源信息融合的步態(tài)識(shí)別方法[3]。然而上述2類方法存在相機(jī)及信號(hào)采集設(shè)備精度要求高、實(shí)驗(yàn)環(huán)境影響因素大、下肢步態(tài)分類精度低等問題。

表面肌電信號(hào)(surface electromyography，sEMG)作為重要的生物電信號(hào)類型[4]，能夠?qū)崟r(shí)地反映人體的運(yùn)動(dòng)意圖。同時(shí)由于采用穿戴式信號(hào)采集方式，人體下肢的運(yùn)動(dòng)空間不僅不受采集設(shè)備的限制，還可以通過測(cè)量多個(gè)肌肉的表面肌電信號(hào)來預(yù)測(cè)復(fù)雜的下肢運(yùn)動(dòng)類型，該方法具有信息量豐富和運(yùn)動(dòng)時(shí)干擾性小等特點(diǎn)，在步態(tài)識(shí)別方面具有天然優(yōu)勢(shì)。如文獻(xiàn)[5]將表面肌電信號(hào)作為步態(tài)識(shí)別信息源，提取能反映步態(tài)特征的特征值，利用機(jī)器學(xué)習(xí)方式進(jìn)行分類識(shí)別，提高步態(tài)識(shí)別率；文獻(xiàn)[6]提取步態(tài)初期前200 ms的表面肌電信號(hào)特征值，應(yīng)用有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)算法進(jìn)行不同路況的下肢步態(tài)識(shí)別。

此外，隨著人工智能的發(fā)展，基于深度學(xué)習(xí)的步態(tài)識(shí)別技術(shù)也在不斷進(jìn)步。針對(duì)大型sEMG信號(hào)數(shù)據(jù)集，利用深度學(xué)習(xí)進(jìn)行步態(tài)識(shí)別，與傳統(tǒng)分類器方法相比，分類精度更高。ALOTAIBI等[7]提出了使用多層卷積核子采樣層的深度神經(jīng)網(wǎng)絡(luò)來解決模型遮擋和噪聲問題，改進(jìn)步態(tài)識(shí)別。CASTRO等[8]采集了步態(tài)圖像數(shù)據(jù)，利用步態(tài)序列中的時(shí)間信息設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行下肢步態(tài)識(shí)別。

總而言之，為進(jìn)一步提高識(shí)別率，有的研究者傾向于在神經(jīng)網(wǎng)絡(luò)算法方面進(jìn)行優(yōu)化[9]，而有的研究者傾向于對(duì)原始表面肌電數(shù)據(jù)進(jìn)行處理并利用傳統(tǒng)及優(yōu)化后的機(jī)器學(xué)習(xí)方法進(jìn)行分類識(shí)別[10]。然而，現(xiàn)有下肢動(dòng)作模式識(shí)別方法仍面臨著識(shí)別分類能力弱、識(shí)別率低以及對(duì)下肢表面肌電信號(hào)數(shù)據(jù)量的需求高等挑戰(zhàn)。考慮到研究過程中數(shù)據(jù)采集方式、數(shù)據(jù)預(yù)處理、特征提取、神經(jīng)網(wǎng)絡(luò)算法等環(huán)節(jié)的相互影響和約束，本文針對(duì)下肢運(yùn)動(dòng)模式識(shí)別率低的問題，構(gòu)建一種以特征集作為輸入的卷積神經(jīng)網(wǎng)絡(luò)，并比較本文方法與其他分類方法的識(shí)別率與工作特征。

1 sEMG信號(hào)采集及特征提取

1.1 信號(hào)采集

采用OT Bioelettronicasrl表面肌電記錄設(shè)備及其分析軟件采集表面肌電信號(hào)。以無負(fù)重上樓、無負(fù)重下樓、負(fù)重上樓、負(fù)重下樓、無負(fù)重平地行走等5個(gè)動(dòng)作為對(duì)象，共選擇股直肌、股外側(cè)肌、股內(nèi)側(cè)肌、半膜肌、股二頭肌、外側(cè)腓腸肌、內(nèi)測(cè)腓腸肌和脛骨前肌[11-12]等8塊肌肉的肌電作為信息源進(jìn)行人體下肢動(dòng)作識(shí)別研究。實(shí)驗(yàn)地點(diǎn)為實(shí)驗(yàn)樓走廊，采集信號(hào)場(chǎng)景如圖1所示。一共征集了6位男性受試者，年齡(24±2)歲，身高(172±8)cm，體重(56±5)kg，身體各項(xiàng)指標(biāo)正常。采集上述5種步態(tài)動(dòng)作，每一種動(dòng)作重復(fù)30次?？紤]人體肌肉疲勞影響，每種步態(tài)完成后休息30 min再進(jìn)行下一步態(tài)動(dòng)作，各步態(tài)動(dòng)作下信號(hào)采集時(shí)間為1 min，6位受試者在節(jié)拍器的指引下保持步行節(jié)奏的一致性。在設(shè)備穿戴過程中每一次都應(yīng)對(duì)黏貼位置進(jìn)行消毒處理，保證電極貼片和皮膚貼合良好。采集過程遠(yuǎn)離強(qiáng)磁強(qiáng)干擾環(huán)境，避免信號(hào)受外界環(huán)境干擾。按照同樣的方式，信號(hào)采集工作持續(xù)進(jìn)行30 d，即總共采集6×5×30×30=27 000 min。sEMG數(shù)據(jù)通過藍(lán)牙實(shí)時(shí)傳輸?shù)诫娔X端保存。

圖1 肌電信號(hào)采集場(chǎng)景Fig.1 sEMG acquisition scene

由于sEMG的有效信號(hào)在0～500 Hz之間，主要能量集中于20～300 Hz，使用ButterWorth濾波器對(duì)原始信號(hào)進(jìn)行20～300 Hz的帶通濾波[13]，目的是為了除去高頻噪聲干擾，使信號(hào)具有很好的通帶和阻帶特性。圖2顯示了無負(fù)重直立行走情況下某受試者的股直肌(BF)濾波前后的信號(hào)。結(jié)果表明，該濾波方法不僅能有效過濾通帶之外的頻率，還保留了基波分量。

圖2 濾波前后的肌電信號(hào)Fig.2 Before and after filtered sEMG signal

1.2 sEMG信號(hào)特征提取

sEMG常見的特征分為時(shí)域特征(TD)、頻域特征(FD)和時(shí)頻域特征(TFD)3類。本文提取均方根值(RMS)、平均絕對(duì)值(MAV)、過零點(diǎn)率(ZC)、斜率變化率(SSC)4個(gè)時(shí)域特征和平均功率頻率(MNF)、中值頻率(MDF)2個(gè)頻域特征值。相對(duì)于頻域特征而言，4個(gè)時(shí)域特征具有易于提取、計(jì)算量小、計(jì)算快速的優(yōu)點(diǎn)[14]。MDF和MNF則在展現(xiàn)肌電信號(hào)頻率分量情況方面更具有優(yōu)勢(shì)，而且相較于時(shí)域特征具有更好的魯棒性[15]。采集的下肢肌電信號(hào)是隨時(shí)間累積的，自動(dòng)滿足時(shí)間升序要求，同時(shí)考慮到sEMG的短時(shí)非平穩(wěn)性，為保證特征值的連續(xù)性，采用了“時(shí)間窗 + 滑動(dòng)步長(zhǎng)”的方式[16]進(jìn)行特征提取，滑動(dòng)窗寬340個(gè)采樣點(diǎn)，滑動(dòng)窗前進(jìn)的步長(zhǎng)為40個(gè)采樣點(diǎn)，即每340個(gè)采樣點(diǎn)提取1個(gè)特征，K時(shí)刻選擇大小為340個(gè)采樣點(diǎn)的滑動(dòng)窗，在滑動(dòng)40個(gè)采樣點(diǎn)的步長(zhǎng)后將看作(K+1)時(shí)刻滑動(dòng)窗口。在特征提取過程中，使原始肌電信號(hào)的時(shí)間窗及步長(zhǎng)保持一致，從而保證各個(gè)時(shí)域特征長(zhǎng)度相等，以利于特征數(shù)據(jù)集的整合。提取無負(fù)重平地行走時(shí)股直肌的時(shí)域和頻域特征圖如圖3所示。

圖3 股直肌時(shí)域與頻域特征圖Fig.3 Characteristics of rectus femoris in time domain and frequency domain

1.3 特征數(shù)據(jù)整合與降維

將提取的步態(tài)特征整合為30個(gè)樣本數(shù)據(jù)集，其中訓(xùn)練樣本占80%，測(cè)試樣本占20%。樣本數(shù)據(jù)大小為20 480×48，列向量分別表示8塊肌肉的6個(gè)特征，共48列特征向量，行向量表示5個(gè)步態(tài)數(shù)據(jù)的時(shí)間序列點(diǎn)數(shù)，共20 480行。

由于輸入數(shù)據(jù)的行向量達(dá)到了20 480行，較高的數(shù)據(jù)維度不僅會(huì)對(duì)計(jì)算機(jī)的算力提出較高的要求，還會(huì)影響神經(jīng)網(wǎng)絡(luò)的識(shí)別速度，故在導(dǎo)入網(wǎng)絡(luò)模型前利用主成分分析(principal component analysis，PCA)方法對(duì)數(shù)據(jù)集進(jìn)行降維處理[17]，以便在保留有效信息的基礎(chǔ)上，提升識(shí)別速度。參考文獻(xiàn)[18]介紹的PCA方法進(jìn)行降維處理，提取總體解釋率接近80%的前16個(gè)因子變量代替原本48個(gè)維度的特征數(shù)據(jù)集。經(jīng)整合降維后的數(shù)據(jù)大小為n×200×16×1，其中n×200為所有樣本總時(shí)間序列長(zhǎng)度。

2 特征集為輸入的卷積神經(jīng)網(wǎng)絡(luò)模型搭建

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，其基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層及輸出層組成，是由多層感知機(jī)(MLP)演變而來[19]，能夠不斷調(diào)整內(nèi)部神經(jīng)元與神經(jīng)元之間的權(quán)重關(guān)系，從而達(dá)到信息處理及分類識(shí)別的目的。卷積神經(jīng)網(wǎng)絡(luò)具有局部連接、權(quán)值共享及降采樣的結(jié)構(gòu)特點(diǎn)，其局部連接的特點(diǎn)使得卷積神經(jīng)網(wǎng)絡(luò)有別于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)相鄰層數(shù)之間的部分神經(jīng)元相連接，其權(quán)值共享的特點(diǎn)使得卷積神經(jīng)網(wǎng)絡(luò)更類似于生物神經(jīng)網(wǎng)絡(luò)，這2個(gè)特點(diǎn)使得卷積神經(jīng)網(wǎng)絡(luò)能夠降低網(wǎng)絡(luò)模型的復(fù)雜度、減少權(quán)值的數(shù)目，從而提升目標(biāo)識(shí)別的效率。降采樣是卷積神經(jīng)網(wǎng)絡(luò)的另一個(gè)重要概念，也稱其為池化(pooling)，其目的是為了降低圖像分辨率，防止網(wǎng)絡(luò)出現(xiàn)過擬合問題。

卷積層的作用是提取圖像的特征，在該層中，通常包含多個(gè)可學(xué)習(xí)的卷積核，上一層輸出的特征圖與卷積核進(jìn)行卷積操作，即輸入項(xiàng)X∈RM×N與卷積核W∈RU×V之間進(jìn)行點(diǎn)積運(yùn)算，并加上其對(duì)應(yīng)閾值b，wu,v是卷積核W上第u行第v列的值，xi-u+1,j-v+1是輸入數(shù)據(jù)X上第(i-u+1)行、第(j-v+1)列的值，一般U?M，V?N。然后將結(jié)果送入激活函數(shù)δ(本文選用Relu激活函數(shù))，就可以得到輸出特征值y(i,j)，其下標(biāo)(i,j)從(U,V)開始；池化層的作用是對(duì)特征進(jìn)行抽樣，可以使用較少訓(xùn)練參數(shù)，即對(duì)上一層的輸出Yx,v，將其劃分為很多區(qū)域Rx,v，1≤x≤X，1≤y≤Y，xi為區(qū)域Rx,y內(nèi)每個(gè)神經(jīng)元活性值。本網(wǎng)絡(luò)結(jié)構(gòu)選擇最大池化層，即對(duì)于一個(gè)區(qū)域Rx,y，選擇其最大值作為該區(qū)域輸出值，從而減少卷積層輸出的特征向量維數(shù)，同時(shí)還可以減輕網(wǎng)絡(luò)模型的過擬合程度。網(wǎng)絡(luò)的最后一般為1～2層全連接層，全連接層負(fù)責(zé)把提取的特征圖連接起來，一般選擇交叉熵?fù)p失函數(shù)(softmax)作為激活函數(shù)，用Loss表示，該層主要是將池化層輸出通過softmax函數(shù)映射成為ai∈(0,1)的值，而這些值的累加為1，滿足概率的性質(zhì)。最后選取輸出節(jié)點(diǎn)概率最大值，作為最終預(yù)測(cè)目標(biāo)yi。本文對(duì)5種步態(tài)進(jìn)行分類識(shí)別，所以輸出節(jié)點(diǎn)為5個(gè)。卷積神經(jīng)網(wǎng)絡(luò)具體計(jì)算方法如下所示。

(1)

δ=max(0,x)，

(2)

(3)

(4)

本文采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)的方法對(duì)無負(fù)重上樓、無負(fù)重下樓、負(fù)重上樓、負(fù)重下樓、無負(fù)重平地行走5種步態(tài)動(dòng)作進(jìn)行識(shí)別。所構(gòu)建的網(wǎng)絡(luò)模型一共有9層，主要包括1個(gè)輸入層、3個(gè)二維卷積層、2個(gè)二維池化層和3個(gè)全連接層，其數(shù)據(jù)處理流程如圖4所示。由于數(shù)據(jù)量龐大，在數(shù)據(jù)訓(xùn)練過程中很容易出現(xiàn)過擬合問題，所以本文添加了2個(gè)dropout層以減小數(shù)據(jù)過擬合問題。CNN的第1層卷積核個(gè)數(shù)為32，核大小為20×3，步長(zhǎng)為1；第2層卷積核個(gè)數(shù)為64，核大小為3×3；第3層卷積個(gè)數(shù)為128，核大小為3×3；第1層池化大小為2×1，步長(zhǎng)為1；第2層池化大小為2×1。分別采用0,1,2,3,4作為下肢動(dòng)作標(biāo)簽，5作為錯(cuò)誤識(shí)別標(biāo)簽。

圖4 特征集為輸入的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框圖Fig.4 Structure of the convolutional neural network with feature sets as input

使用前述訓(xùn)練樣本集對(duì)該模型進(jìn)行訓(xùn)練，通過誤差反向傳播和梯度下降算法，不斷迭代和更新權(quán)重和偏置，達(dá)到設(shè)定的誤差或迭代次數(shù)后，保存模型的交叉熵?fù)p失(Loss)和識(shí)別準(zhǔn)確率(Accuracy)2個(gè)參數(shù)。采用前述測(cè)試集對(duì)模型的誤差和準(zhǔn)確率進(jìn)行驗(yàn)證。該深度學(xué)習(xí)模型的批大小為155，學(xué)習(xí)精度設(shè)置為0.01，迭代次數(shù)為1 000。實(shí)驗(yàn)采用的電腦操作系統(tǒng)為Windows10，處理器為i5-9400FCPU，使用的深度學(xué)習(xí)框架為Tensorflow，集成開發(fā)環(huán)境是spyder。

3 下肢動(dòng)作模式識(shí)別實(shí)驗(yàn)結(jié)果及分析

采用混淆矩陣統(tǒng)計(jì)了某受試者的步態(tài)識(shí)別結(jié)果，如表1所示。受試者平地行走識(shí)別準(zhǔn)確率為96.83%，上樓識(shí)別準(zhǔn)確率為95.97%，下樓識(shí)別準(zhǔn)確率為96.27%，負(fù)重上樓識(shí)別準(zhǔn)確率為95.75%，負(fù)重下樓識(shí)別準(zhǔn)確率為96.55%。可見，平地行走的步態(tài)識(shí)別準(zhǔn)確率最高，而負(fù)重上樓的步態(tài)識(shí)別準(zhǔn)確率最低。

表1 測(cè)試者步態(tài)動(dòng)作識(shí)別結(jié)果

造成平地行走步態(tài)識(shí)別準(zhǔn)確率最高的主要原因，可能是上(下)樓過程不僅需要在水平方向上做功還需在豎直方向上做功，平地行走過程只需在水平方向上克服較小的阻力，下肢肌肉克服阻力做功較少，腿部懸空時(shí)涉及到的腿部肌群的向心收縮和離心收縮較弱。相同運(yùn)動(dòng)時(shí)間條件下，平地行走過程中下肢肌肉群的疲勞程度更低，采集到的肌電信號(hào)數(shù)據(jù)幅值和頻率更為穩(wěn)定，因此，平地行走的步態(tài)識(shí)別準(zhǔn)確率和其他4種步態(tài)的關(guān)聯(lián)性最弱。同時(shí)由于上、下樓的動(dòng)作相似，當(dāng)測(cè)試者上(下)樓及負(fù)重上(下)樓時(shí)，采集到的下肢肌肉的肌電信號(hào)部分特征相似，從而提升了分類器訓(xùn)練的難度，最終因少量樣本的錯(cuò)誤識(shí)別，導(dǎo)致步態(tài)識(shí)別的準(zhǔn)確率較平地行走略低。

下樓步態(tài)的識(shí)別準(zhǔn)確率高于上樓步態(tài)識(shí)別的準(zhǔn)確率。從做功導(dǎo)致肌肉疲勞的角度分析，當(dāng)人體上樓時(shí)需要克服重力做功，下樓時(shí)則沒有，較多的克服阻力做功導(dǎo)致下肢肌肉在相同時(shí)間內(nèi)更容易疲勞，導(dǎo)致肌電信號(hào)數(shù)據(jù)幅值和頻率變化不穩(wěn)定，從而影響步態(tài)識(shí)別準(zhǔn)確率。

為提高識(shí)別速度和簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，采用了主成分分析法對(duì)輸入集進(jìn)行特征降維。主成分分析法存在將小部分原始有效信息過濾的可能，雖然這在一定程度上影響了步態(tài)識(shí)別準(zhǔn)確率，但總體而言，下肢5種步態(tài)識(shí)別率都達(dá)到了95.75%以上，體現(xiàn)了表面肌電信號(hào)特征提取方法的有效性和下肢動(dòng)作可分性。

采用識(shí)別準(zhǔn)確率、分類時(shí)間和交叉熵?fù)p失作為評(píng)價(jià)指標(biāo)，用卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)特征數(shù)據(jù)集進(jìn)行模式識(shí)別得到的結(jié)果如圖5所示。由圖5可知，5種步態(tài)正確分類的樣本約占總樣本的96.27%，交叉熵?fù)p失約為8%。該實(shí)驗(yàn)結(jié)果表明，本文以特征數(shù)據(jù)集代替原始數(shù)據(jù)集能夠更大程度上體現(xiàn)sEMG的特性，進(jìn)而使卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)更加規(guī)范，最終達(dá)到提高識(shí)別率的目標(biāo)。

圖5 特征集識(shí)別準(zhǔn)確率與交叉熵?fù)p失 Fig.5 Classification recognition rate and classifi-cation error rate of feature set

4 對(duì)比試驗(yàn)研究

4.1 CNN與傳統(tǒng)SVM，RF，KNN識(shí)別方法對(duì)比

為比較本文CNN方法與其他分類方法的識(shí)別分類效果，采用python機(jī)器學(xué)習(xí)庫(kù)Scikit-learn，實(shí)現(xiàn)傳統(tǒng)分類器K近鄰(KNN)，隨機(jī)森林(RF)，支持向量機(jī)(SVM)算法[20-21]對(duì)5種步態(tài)的分類識(shí)別，分類結(jié)果如圖6所示。結(jié)果顯示SVM的識(shí)別準(zhǔn)確率為92.16%，RF的識(shí)別準(zhǔn)確率為84.96%，K近鄰(KNN)的識(shí)別準(zhǔn)確率為88.7%，表明本文所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率高于這些傳統(tǒng)分類器，具有識(shí)別效率高、分類效果好、泛化能力強(qiáng)和算法性能穩(wěn)定等特點(diǎn)。也表明了在基于肌電信號(hào)進(jìn)行人體動(dòng)作模式識(shí)別研究中，針對(duì)肌電信號(hào)個(gè)體差異大、短時(shí)不平穩(wěn)、非線性等不利因素，采用肌電信號(hào)特征集作為輸入的卷積神經(jīng)網(wǎng)絡(luò)方法可以彌補(bǔ)傳統(tǒng)分類器特征提取的有限性，從而獲得較優(yōu)識(shí)別率。

圖6 不同分類識(shí)別模型的步態(tài)識(shí)別準(zhǔn)確率對(duì)比結(jié)果 Fig.6 Comparison of gait recognition accuracy among different classification recognition models

表2顯示了所構(gòu)建的CNN網(wǎng)絡(luò)與其他3種方法所需訓(xùn)練時(shí)間。由表2可知，CNN網(wǎng)絡(luò)訓(xùn)練時(shí)間平均為0.11 s，SVM，RF，KNN分別為1.13，3.47和1.69 s，表明CNN網(wǎng)絡(luò)訓(xùn)練時(shí)間明顯少于SVM，RF，KNN等傳統(tǒng)分類識(shí)別方法。結(jié)合前述分類準(zhǔn)確率的結(jié)果，可知本文所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)在識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間上明顯優(yōu)于其他傳統(tǒng)分類器，下肢步態(tài)的識(shí)別效果更加理想。

表2 各類分類識(shí)別模型的訓(xùn)練時(shí)間

4.2 CNN與原始信號(hào)作為輸入的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別方法(CNN*)對(duì)比

為充分說明本文方法的有效性，將未經(jīng)特征提取且PCA降維的原始肌電信號(hào)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，該情形下的步態(tài)識(shí)別準(zhǔn)確率及訓(xùn)練時(shí)間與本文方法的對(duì)比結(jié)果如圖7和表3所示，其中，CNN*表示原始肌電信號(hào)作為輸入的卷積神經(jīng)網(wǎng)絡(luò)，CNN表示本文提出的16維特征集作為輸入的卷積神經(jīng)網(wǎng)絡(luò)。觀察可知，CNN*方法的步態(tài)識(shí)別準(zhǔn)確率為80.13%，識(shí)別時(shí)間為1.97 s；CNN方法的步態(tài)識(shí)別準(zhǔn)確率為96.27%，識(shí)別時(shí)間為0.11 s。結(jié)果表明，提取原始信號(hào)特征的預(yù)處理技術(shù)能夠大幅度提升算法的識(shí)別準(zhǔn)確率，并且降低算法訓(xùn)練時(shí)間，證明了預(yù)提取sEMG信號(hào)的特征且構(gòu)建以特征集為輸入的卷積神經(jīng)網(wǎng)絡(luò)的方法是有效的。

圖7 原始信號(hào)集和特征信號(hào)集輸入的步態(tài)識(shí)別準(zhǔn)確率對(duì)比結(jié)果 Fig.7 Comparison of gait recognition accuracy between input of original and characteristic signal sets

表3 原始信號(hào)集和特征信號(hào)集輸入的訓(xùn)練 時(shí)間結(jié)果

5 結(jié) 語(yǔ)

針對(duì)目前下肢動(dòng)作模式識(shí)別技術(shù)中的數(shù)據(jù)量少、識(shí)別率低的問題，提出了一種新的下肢動(dòng)作模式識(shí)別方法，構(gòu)建了以肌電信號(hào)特征集作為輸入的卷積神經(jīng)網(wǎng)絡(luò)模型。以無負(fù)重平地行走，無負(fù)重上/下樓及負(fù)重上/下樓5種步態(tài)為識(shí)別對(duì)象，開展了步態(tài)識(shí)別實(shí)驗(yàn)，并與其他幾種傳統(tǒng)分類方法的識(shí)別準(zhǔn)確率和工作特征進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，基于本文方法的步態(tài)識(shí)別準(zhǔn)確率大于95%，平均訓(xùn)練時(shí)間用時(shí)最少，

因此本文所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)在識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間上明顯優(yōu)于其他傳統(tǒng)分類器，下肢步態(tài)的識(shí)別效果較為理想。通過對(duì)比2種不同輸入數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別效果可知，本文提出的肌電信號(hào)特征預(yù)處理技術(shù)能夠大幅度提升算法的識(shí)別準(zhǔn)確率、降低算法訓(xùn)練時(shí)間。綜上所述，該方法可為康復(fù)醫(yī)療機(jī)器人、助力機(jī)器人等設(shè)備改善下肢運(yùn)動(dòng)功能提供理論參考。

本文采用傳統(tǒng)隨機(jī)梯度下降算法訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，雖然實(shí)現(xiàn)了較高的識(shí)別準(zhǔn)確率，但訓(xùn)練耗時(shí)還需要進(jìn)一步降低。未來將考慮改進(jìn)網(wǎng)絡(luò)的學(xué)習(xí)算法，在保證識(shí)別準(zhǔn)確率的同時(shí)，提升網(wǎng)絡(luò)的訓(xùn)練速度及穩(wěn)定性。