基于PLS特征篩選和改進結構PNN的步態識別

袁　娜，劉　沛

(1.唐山學院 智能與信息工程學院，河北 唐山 063020；2.河北能源職業技術學院 機電工程系，河北 唐山 063000)

?

基于PLS特征篩選和改進結構PNN的步態識別

袁娜1，劉沛2

(1.唐山學院 智能與信息工程學院，河北 唐山 063020；2.河北能源職業技術學院 機電工程系，河北 唐山 063000)

摘要：采集單側大腿截肢患者髖關節有代表性的加速度信號(雙軸)和角速度信號，并同時采集足底壓力信號，進行多運動模式識別，經信號預處理提取出特征參數，利用偏最小二乘法(PLS)進行特征篩選，最后利用改進的概率神經網絡(PNN)步態模式識別和分類，實現對下肢假肢在行走、上下坡、上下臺階的不同運動模式的有效識別。

關鍵詞：步態識別；偏最小二乘法；概率神經網絡；先驗變量

0引言

隨著科技的進步，人們對生活質量的要求越來越高，肢體殘疾人士更希望參與并融入社會生活，這就要求假肢的設計更加人性化、智能化。動力型假肢是今后假肢的發展方向[1]，而步態識別將是關鍵問題，只有識別出基本的步態(如上下樓梯、上下坡及平地行走)才能對假肢進行有效的控制，從而在行走時提供有效動力，滿足肢殘人士的正常生活需要。

步態識別的方法很多，比如利用隱馬爾科夫模型[2](HMM)對運動中下肢四張肌肉的肌電信號進行步態識別；利用支持向量機(SVM)[3]的方法對多步態下肌電信號和傳感器信號融合識別。隨著交叉學科的出現，人工神經網絡開始應用到控制研究中，并且取得了令人滿意的成果。常見的人工神經網絡主要有BP網絡、RBF網絡[4]、Hopfield神經網絡、過程神經網絡[5]等可供選擇的模型，以及將遺傳算法[6]、小腦模型[7]等與神經網絡結合進行識別。基于BP網絡和RBF網絡在步態識別方面的應用技術已比較成熟。但選用BP神經網絡，訓練速度較慢，在輸入樣本數目較多時識別效果欠佳[8]。為了提高可靠性，采用的神經網絡集成與概率融合的步態識別方法，則主要集中應用于身份識別，應用到假肢方面或對假肢識別步態起到指導作用的研究較少。針對步態自動分類提出的過程神經網絡，并引入粒子群改進網絡權值來克服收斂速度慢和局部最小問題的識別方法，但仍無法保障準確度，在控制假肢方面存在一定的風險。利用患者的表面肌電信號，通過支持向量機方法[9-10]進行步態識別，以及利用腿部角度傳感器和足底壓力傳感器[11]，通過BP神經網絡和有限狀態機的方法進行步態識別，但因現階段研究使用的傳感器信號易受電磁干擾，準確性不高，使得多步態測量時的穩定性不易保持。而概率神經網絡(PNN)作為RBF神經網絡的一種變化形式[12]，通過競爭函數作為輸出傳遞函數，由其網絡特點決定其具有訓練時間短、不易產生局部最優且分類正確率較高的優點。

因此筆者對傳感器系統采集的步態信息進行濾波、劃分步態周期、提取特征值，并利用偏最小二乘法(PLS)篩選特征值后，利用PNN構造先驗變量與PNN結合識別的網絡結構，與普通的PNN識別進行對比，利用這兩種網絡結構對比步態識別結果。

1概率神經網絡

概率神經網絡(PNN)是徑向基神經網絡的一種，其網絡結構如圖1所示。

圖1　模式分類結構

圖2　模式單元

2傳感器系統采集髖關節信號

針對膝上假肢設計控制源，將傳感器系統固定在大腿假肢接受腔內，由加速度計(雙軸)、陀螺儀和足底壓力片進行步態識別。加速度計MMA7361LC用于表征人體行走過程中矢狀軸(即水平面沿行走方向)和垂直軸的殘肢的速度變化情況；陀螺儀ENC-03表征殘肢大腿與垂直軸的角度變化情況，反應髖關節的屈、伸程度；足底壓力的測量選用薄膜開關式4×4壓力片，分別安裝在腳掌和足跟，記錄足跟離地和足趾離地的時刻，用于對加速度計和陀螺儀信號的步態周期進行采集。

2.1信號的采集

針對5種不同的步態，搭建上/下樓梯和上/下坡的實驗平臺。一個6級臺階、一個坡度為15°的斜坡，臺階和斜坡之間用一個平面板連接，用于進行上下樓梯和上下坡的實驗，實現對路況的識別。在健康人大腿單側的髖關節佩戴加速度計和陀螺儀，通過塑膠鞋套將足底壓力片固定于腳掌和足跟處。實驗者均為健康人，對5種步態分別采集15組，每組完成3個完整的步態周期，重復實驗。

2.2信號預處理

2.2.1加速度計和陀螺儀信號的濾波

利用db5小波進行7層濾波[13]，以平地行走傳感器信號為例，得到濾波前后的圖形如圖3所示。從圖中可以看出濾波效果明顯，濾除掉了高頻噪聲，而沒有影響原波形的走勢，保留了原來的信號特征，圖形呈現明顯的周期性。

圖3　平地行走信號濾波前后對比圖

2.2.2足底壓力

圖4　足底壓力信號歸一并劃分步態周期

對于輸出高低電平的足底壓力信號，進行歸一化處理，將取值設定為0或0.5的高低電平，當腳掌和足跟壓力均為0時，表示步態處于擺動期；當足跟有壓力，腳掌壓力為0時，表示步態處于支撐前期；當腳掌和足跟均有壓力時，表示步態處于支撐中期；當腳掌有壓力，足跟壓力為0時，表示步態處于支撐末期。以此作為劃分步態周期的標準。設定步態階段用數字表示，其中2表示支撐前期，3表示支撐中期，4表示支撐末期，5表示擺動期。得到的足底壓力信號歸一處理后足底壓力信號和表征步態階段的梯形圖如圖4所示。2.2.3提取特征值

人體由靜止開始運動的過程，從步態周期劃分來說是先從支撐末期開始，進入擺動期，而后從支撐前期開始完整的步態周期，而由于支撐末期時間較短，信號的特征不明顯，因此根據得到的5種步態傳感器圖形，通過前后腳掌壓力劃分步態周期后，提取擺動期和支撐前期的特征值：分別為一個步態周期中陀螺儀支撐前期和擺動期平均值、方差和標準差，用符號表示為averISg，averSPg，varISg，varSPg，stdISg，stdSPg；支撐前期和擺動期水平方向加速度信號平均值、方差和標準差，用符號表示為averISa1，averSPa1，varISa1，varSPa1，stdISa1，stdSPa1；支撐前期和擺動期豎直方向加速度信號平均值、方差和標準差，用符號表示為averISa2，averSPa2，varISa2，varSPa2，stdISa2，stdSPa2；擺動期3個傳感器的最大值，用符號表示為maxSPg，maxSPa1，maxSPa2；擺動期的面積特征值，分別為陀螺儀、加速度計水平方向和加速度計豎直方向在擺動期前50個點和100個點對應的3個傳感器信號的增面積×10倍，用符號表示為S1，S2，S3，S4，S5，S6，分別和x軸圍成面積(梯形)/2.5倍，用符號表示為S7，S8，S9，S10，S11，S12，共33個特征值。

圖5　陀螺儀面積特征值示意圖

面積特征值的計算圖形如圖5所示。圖中以陀螺儀信號為例，假設截取的x軸的長度為100個采樣點，說明S2和S8的意義：S2表示在擺動期開始至100個采樣點，陀螺儀信號相對于擺動開始點的增加的面積，為了使數值便于比較，將面積擴大10倍得到S2，對應若是50個采樣點，得到S1；S8表示與y=0即x軸，在擺動期開始到100個采樣點期間圍成的增量面積，除以2.5后得到S8，對應50個采樣點，得到S7。3PLS篩選特征值

偏最小二乘法(Partial Least Squares method，簡稱PLS)是一種新型的多元統計數據分析方法[14]，由S.Wold和C.Albano等人在1983年首次提出。偏最小二乘法把模型式的方法和認識性的方法有機地結合起來，它通過最小化誤差的平方和找到一組數據的最佳函數匹配。用最簡的方法求得一些絕對不可知的真值，而令誤差平方之和為最小。在一個算法下同時實現回歸建模(多元線性回歸)、數據結構簡化(主成分分析)以及兩組變量之間的相關性分析(典型相關分析)。

利用Matlab編寫PLS程序，特征值編號，運行100步生成柱狀圖，分3種情況對特征值進行篩選。

3.1所有特征值進行篩選(擺動期和支撐前期)

運行結果：

Maximum C.V.：99.9967 obtained with 19 variables(19 comp.)：32 27 30 23 25 1 22 31 20 21 6 18 8 5 10 4 12 17 26

對應的特征值為：S11，S6，S9，S2，S4，averISg，S1，S10，maxSPa1，maxSPa2，verSPa2，stdSPa2，S7，averISa2，varSPa1，averSPa1，varSPa2，stdISa2，S5

篩選結果見圖6。

3.2僅考慮平地、下樓梯和下坡的特征值篩選(擺動期和支撐前期)

運行結果：

Maximum C.V.：100 obtained with 14 variables(14 comp.)：23 18 3 21 14 16 9 22 7 1 6 17 19 4

對應的特征值為：S2，stdSPa2，averISa1，maxSPa2，stdSPg，stdSPa1，varISa1，S1，varISg，averISg，averSPa2，stdISa2，maxSPg，averSPa1

篩選結果見圖7。

圖6　所有特征值PLS篩選結果

圖7　僅考慮平地、下樓梯和下坡的特征值PLS篩選結果

3.3僅考慮上樓梯和上坡的特征值篩選(擺動期和支撐前期)

運行結果：

Maximum C.V.：99.9967 obtained with 15 variables(15 comp.)：27 21 26 32 4 28 6 19 10 23 16 31 12 14 29

對應的特征值為：S6，maxSPa2，S5，S11，averSPa1，S7，averSPa2，maxSPg，varSPa1，S2，stdSPa1，S10，varSPa2，stdSPg，S8

篩選結果見圖8。

圖8　僅考慮上樓梯和上坡的特征值PLS篩選結果

4改進PNN網絡結構

本文的目的是利用PNN網絡結構識別5種基本步態：平地行走、下樓梯、下坡、上樓梯和上坡。因此考慮PNN網絡結構和篩選的特征值的特點，設計了先驗變量與PNN結合識別的方法。

對于5種步態的分類實質是兩大類步態的劃分：第一類(包括平地行走、下樓梯和下坡)和第二類(包括上樓梯和上坡)。每一類中的步態具有相似的角度變化趨勢。因此在識別步態時，可以先找到明顯區分這兩大類步態的顯著特征值，將步態劃分出兩大類，再從兩大類中找到到底是哪種步態。網絡流程如圖9所示。這樣做簡化了神經網絡的結構，縮短了網絡的搭建時間，同時也縮短了識別出準確步態的時間。

圖9　先驗變量與PNN結合的識別流程圖

4.1訓練先驗變量與PNN結合的結構

比較提取的特征值特點，選定先驗變量為varSPa2和averISa2，先利用先驗變量與對應的特征值比較。若varSPa2<0.03，且averISa2>-0.07，則步態屬于第一大類。反之，若varSPa2≥0.03，且averISa2≤-0.07，則步態屬于第二大類。需要訓練的神經網絡PNN1和PNN2的輸入特征向量和net12的輸入特征向量不變，將篩選好的特征向量組成輸入層矩陣分別用于訓練PNN1和PNN2，并保存為網絡net11.net和net22.net。

對網絡進行訓練，訓練后的效果和誤差如圖10和圖11所示，對于5種步態225組實驗數據的識別，僅有1組下樓梯識別成下坡。

保存網絡：net11.net，net22.net。

圖10　net11訓練結果和誤差

圖11　net22訓練結果和誤差

4.2訓練傳統的PNN

利用篩選后擺動期和支撐期特征值作為PNN的輸入。對網絡進行訓練，訓練后的效果和誤差如圖12所示，對于5種步態225組實驗數據的識別，僅有1組下樓梯識別成下坡。

保存網絡：net12.net。

圖12　net12訓練結果和誤差

4.3先驗變量與PNN結合的識別

將PNN1和PNN2訓練好的網絡net11和net22保存后，作為以后對步態數據識別的工具。分別輸入原始信號，每組步態共15組，經過濾波、提取特征值、篩選特征值，利用保存的網絡進行識別，識別結果如圖13所示。

圖13　net11和net22的識別結果

4.4傳統的PNN的識別

同理，利用保存的網絡net12進行識別，225組實驗輸入原始采集信號，提取擺動期和支撐期特征值識別，僅1組數據識別錯誤，識別結果見圖14。

圖14　net12的識別結果

4.5識別對比

將改進的PNN和傳統的PNN兩種網絡結構，對相同的數據進行識別，識別結果和識別時間對比，如表1所示。

表1　對比識別結果和時間

5結論

利用改進的PNN和傳統的PNN兩種網絡結構，對假肢傳感器系統采集的信號進行步態識別。第一種是利用先驗變量varSPa2和averISa2將運動步態分成兩大類：第一類包括平地行走、下樓梯和下坡，利用篩選的擺動期和支撐前期14個特征值訓練PNN1；第二類包括上樓梯和上坡，利用篩選的15個特征值訓練PNN2，進行步態識別。第二種是直接利用篩選的擺動期和支撐前期19個特征值訓練PNN網絡。

從網絡結構上看，將步態劃分為兩大類進行分別識別的方法，其網絡結構更為簡單，網絡訓練時間縮短。從對225組實驗數據識別驗證的結果中可以看出，利用先驗變量和PNN結合的識別方式，在保證識別率不低于90%的前提下，識別時間短，且效果明顯，平均縮短了0.19 s。因此針對步態規律性強的實驗者，采用第一種識別方法優勢明顯。

參考文獻：

[1]Unal R， Carloni R， Hekman E E G， et al. Koopman conceptual design of an energy efficient transfemoral prosthesis[C]. The 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems，2010：343-348.[2]孟明，佘青山，羅志增，等.HMM在下肢表面肌電信號步態識別中的應用[J].華中科技大學學報，2010，39：176-179.

[3]He Huang， Fan Zhang， Levi J Hargrove， et al. Continuous locomotion-mode identification for prosthetic legs based on neuromuscular-mechanical fusion[J]. IEEE Transactions on Biomedical Engineering，2011，58(10)：2867-2875.

[4]譚建輝，潘保昌.基于徑向基函數神經網絡的紅外步態識別[J].現代計算機(專業版)，2011(5)：3-7.

[5]肖軍，蘇潔，鄭波，等.智能仿生腿在不同路況下的步態識別系統研究[C].2007中國控制與決策學術年會論文集，2007：383-386.

[6]Chai Yanmei， Wang Qing， Jia Jingping， et al. A novel human gait recognition method by segmenting and extracting the region variance feature[C]. Proceedings-International Conference on Pattern Recognition，2006.

[7]喻洪流，錢省三，沈凌，等.基于小腦模型神經網絡控制的步速跟隨智能膝上假肢[J].中國組織工程研究與臨床康復，2007，11(31)：6233-6235.

[8]謝林海，劉相濱.基于不變矩特征和BP神經網絡的步態識別[J].微計算機信息，2007，19：279-281.

[9]Tee Connie， Kah Ong Goh Michael， Beng Jin Teoh Andrew. Personal recognition using multi-angles gait sequences[C]. Communications in Computer and Information Science，2011：497-508.

[10]Chen Lingling， Yang Peng， Xu Xiaoyun， et al. Above-knee prosthesis control based on posture recognition by support vector machine[C].2008 IEEE International Conference on Robotics， Automation and Mechatronics. Chengdu，2008：307-312.

[11]高云園，孟明，羅志增，等.利用多源運動信息的下肢假肢多模式多步態識別研究[J].傳感器技術學報.2011，24(11)：1574-1578.

[12]許延偉，劉希玉.神經網絡用于模式識別的幾種主要方法及比較[J].信息技術與信息化，2005，4：120-123.[13]康桂文，蔣恒彪，左建章.基于小波閾值去噪理論的監測數據處理方法[J].測繪科學，2009，34(1)：117-118.[14]林燕.偏最小二乘變量篩選法及其應用研究[D].廈門：廈門大學，2010.

(責任編校：夏玉玲)

Gait Recognition Based on Partial Least Squares Method and Modified Probabilistic Neural Network

YUAN Na1， LIU Pei2

(1. College of Intelligence and Information Engineering，Tangshan University，Tangshan 063020， China；2. Department of Electrical and Mechanical Engineering， Hebei Vocational College of Energy and Technology， Tangshan 063000， China)

Abstract：The authors of this paper propose a method of identifying the different motion patterns of artificial legs walking on the level ground， down or up stairs and slopes by first collecting the typical acceleration signal(dual-axis) and the angular velocity signal of the hip joint of the patients with one leg amputated， and the plantar pressure signal to recognize the motion patterns， then pre-processing the signals to extract the feature parameters and selecting them with partial least squares (PLS) method， and finally finding and classifying the gait pattern through improved probabilistic neural network (PNN).

Key Words：gait recognition； partial least squares method； probabilistic neural network； priori variable

作者簡介：袁娜(1988-)，女，河北唐山人，碩士，主要從事計算機智能控制研究。

中圖分類號：TP183

文獻標志碼：A

文章編號：1672-349X(2016)03-0047-06

DOI：10.16160/j.cnki.tsxyxb.2016.03.014