結合經驗模態分解能量矩占比和方差貢獻率法的步態信號特征向量提取

陳東毅 陳建國 李玉榕

摘 要：步態即人體走路時的姿態，是一種復雜而有規律的運動過程。步態包含了許多運動信息，通過采集和分析步態信息得到的步態參數在康復治療中可以發揮重要作用。為了對步態信息進行準確分類，文中分析了步態信號的特性，提出了基于經驗模態分解（EMD）能量矩占比、方差貢獻率法與BP神經網絡理論相結合的正常人與患者步態信號的特征向量提取和步態分類的分析方法。首先將步態信號進行經驗模態分解，得到所需要內稟模態函數分量（IMF），通過離散采樣點求出包含主要步態特征信息的各階IMF分量的能量矩占比與方差貢獻率作為特征向量，并以此作為BP神經網絡的輸入，通過BP神經網絡分類器對步態進行分類。經實驗分析該方法能較好地識別出步態類型。

關鍵詞：步態分類;經驗模態分解;能量矩占比;方差貢獻率;BP神經網絡

中圖分類號：TP273文獻標識碼：A文章編號：2095-1302（2019）02-00-05

0 引 言

隨著科學技術的不斷發展和生活水平的不斷提高，人們越來越重視自身和家人的健康，對醫療康復服務的需求也不斷增加。目前，腦卒中（腦中風）或外傷引起的足下垂患者數量巨大，需要進行康復治療的需求較大[1]。足下垂患者的步態與正常人的步態差異明顯，患者行走極為不便，不正常的步態容易摔倒，如果在康復訓練時摔倒會造成二次中風，導致更高的死亡率，所以正常人、患者步態的正確識別對于疾病的預防與疾病后期的康復治療具有十分重要的作用[2]。

步態即為人體走路時的姿態，是一種復雜而有規律的運動過程[3]。步態過程需要神經系統、感覺系統和運動系統相互協調，人體的身體健康狀況可以通過行走時的步態反映出來[4]。不同的疾病可能會導致不同的特殊步態，因此，通過對步態的分析，可為臨床診斷疾病提供重要依據[5]。傳統的人體運動步態分析方法已經被臨床證明非常有效，但傳統方法主要采用視頻、磁場、超大型仿真平臺實現對人體運動步態信息的捕捉及分析[6-7]，這些方法雖然可實現運動步態的分析，但存在受活動場所限制且無法滿足實時性要求的缺點。

因此采用新方法對正常人、患者的步態數據進行科學評估是一項極為迫切的任務，對患者的步態進行科學分析可以協助康復治療師幫助患者通過科學的康復手段逐步恢復正常的行走能力，對于足下垂患者本人和家庭而言具有重要的意義，同時還會產生良好的社會效益。

正常人、足下垂患者的步行過程蘊含許多重要的步態信息，在實時變化的步行運動過程中找到不正常的步態信息并對步態信息進行特征提取是步態分析更是對足下垂嚴重程度進行科學評判的關鍵所在。本文通過對基于角速度信號的步態信息進行分析可知，該角速度信號是非線性、非平穩的信號[8-11]，可將經驗模態分解法應用到健康人與患者步態信息的特征提取領域中，這是一種新的適合于分析非平穩信號的經典方法。經驗模態分解是由美籍華人NordenE.Huang等人提出[12-13]，適合于處理非線性、非平穩信號，具有很高的信噪比，能將復雜的信號進行分解得到有限個IMF分量，每個IMF分量包含原信號不同時間尺度下的局部特征信號。

本文以正常人與患者的步態信號作為研究對象，正常人與患者之間的步態信號在某些特定頻帶上會有比較顯著的差異，采用EMD分解出的IMF分類能量矩占比與方差貢獻率作為步態信號的特征向量，能夠準確提取步態信號特征向量，同時引入BP神經網絡分類器對步態信號進行分類，快速準確地分析、確定步態信息。

4 經驗模態分解特征向量提取及步態分類

步態數據的分類流程即角速度信號的分類流程如圖2所示。

（1）將采集到的角速度信號進行EMD分解;

（2）將得到的各階IMF分量分別計算能量矩占比與方差貢獻率，并將其作為特征向量;

（3）該特征向量輸入已訓練好的BP神經網絡中進行分類。

分類步驟如下：

（1）將原始角速度信號進行EMD分解，取包含角速度信號的前n個IMF分量，本文取前7個IMF分量;

（2）計算各階IMF分量的能量矩占比T（i）與方差貢獻率M（i）;

（3）以各階IMF分量的能量矩占比與方差貢獻率為元素構造特征向量P：

P=[T1，T2，T3，T4，T5，T6，T7，M1，M2，M3，M4，M5，M6，M7]? （6）

（4）選取BP神經網絡作為分類器，用訓練樣本的特征向量訓練BP神經網絡，確定網絡參數;

（5）將測試樣本特征向量輸入到訓練好的BP神經網絡中，以BP神經網絡分類器的輸出確定該樣本的步態是否正常。

5 實驗結果分析

5.1 步態信號的采集

本文步態信號通過穿戴于小腿上的加速度傳感器采集得到，步態信號為正常人、患者右腿脛骨前肌側矢狀面的角速度信號。人體行走時的活動規律主要在矢狀面體現，矢狀面角速度為俯仰角，其矢狀面角速度幅值大，變化較均勻，規律性明顯，易于尋找特征點，故在步態分類上可以考慮利用矢狀面的角速度數據尋找特征向量[22-23]。

本文以Delsys加速度傳感器作為角速度信號的采集器，加速度傳感器的測量范圍為1.5～6 g，采樣率為148.1～296.3 S/s。通過結合相關醫學知識并在專業醫生的指導下分別提取7個正常人、3個患者的右腿脛骨前肌矢狀面的角速度信號，圖3中分別表示其中一個正常人和患者在正常步行時矢狀面的角速度信號。圖4和圖5分別表示正常人、患者角速度信號經過EMD分解后各階IMF分量的時域分解圖。

比較圖4、圖5可以看出，正常人與患者之間的步態信息有較為明顯的差異，可以運用相應算法得到步態特征參數對步態進行分類。

5.2 步態信號EMD分解及特征參數提取

利用式（6）分別計算正常人、患者經過EMD分解出的各階IMF能量矩占比與方差貢獻率，由于信號中最顯著、最重要的特征信息都包含在前幾階IMF分量中，通過信號分析可知，該步態信號的主要信息集中在前7個IMF分量上。表1、表2列出了基于IMF能量矩占比與方差貢獻率計算得到的包含步態信號主要信息的特征向量并將其作為BP神經網絡分類器的樣本數據。

表1中T（i）（i=1，2，…，7）表示各階IMF分量的能量矩占比，表2中M（i）（i=1，2，…，7）表示各階IMF分量的方差貢獻率，樣本1～7表示正常人，樣本8～10表示患者。

圖6中虛線與實線分別表示患者樣本8與正常人樣本1各階IMF分量的變化趨勢，對比可以看出兩者特征向量的顯著區別。限于文章篇幅，對比剩余樣本均可得到上述結論，所以可通過本文提出的特征向量選取方法進行步行狀態的分類。

5.3 步態分類

本文采用BP神經網絡分類算法，設定正常人的步行狀態為1，患者的步行狀態為2。通過對特征向量進行分析，選取前4個正常人、2個病人的步態數據進行神經網絡的學習與訓練，將剩余樣本作為測試樣本輸入神經網絡分類器中進行步態分類，分類結果見表3所列。

本文研究主要從能量總量的角度出發，采用離散數據求能量矩占比與方差貢獻率的方法，簡化了相對復雜的數學計算過程，同時利用原始數據進行分析計算。該方法主要體現了分析計算快速，具有自適應性等特點，經實驗分析可知，達到了預期的分類效果。

IMF能量矩占比與方差貢獻率和EMD分解相結合提取步態信號特征向量，具有計算過程相對較快且穩定的特點，將該方法用到步態信號特征向量提取領域中，合理結合BP神經網絡進行步態分類，為今后的步態快速分類與步態辨識提供了一定的理論研究基礎。

6 結 語

本文采用經驗模態分解法對步態信號進行分解，運用IMF能量矩占比與方差貢獻率作為表征步態信號的特征向量，并以此作為BP神經網絡分類器的輸入向量，該方法能快速方便地得到步態分類結果，減小計算量。實驗結果表明，該方法能有效提取步態信號的特征向量并能正確進行步態分類，對于后期的步態辨識、經驗模態分解提供了一種新的探索與研究方法。

參 考 文 獻

[1]許林海，韓麗雅.功能強化訓練結合肌電生物反饋對急性腦卒中患者上肢功能的影響[J].中國康復，2015（3）：185-188.

[2]孟殿懷，勵建安.功能性電刺激輔助步行設備的應用進展[J].中國康復醫學雜志，2012，27（10）：973-976.

[3]李光耀.基于角速度傳感器的人體下肢運動識別[D].天津：河北工業大學，2013.

[4] KAUR S，SANDHU E R K.A survey on enhanced human iden-tification using gait recognition based on neural network and support vector machine[J].International journal of application or innovation in engineering & management （IJAIEM），2013，2（6）：72-78.

[5]劉榮，黃璐，李少偉，等.基于步態加速度的步態分析研究[J].傳感器學報，2009，22（6）：893-896.

[6] DEJNABADI H，JOLLES B M，AMINIAN K.A new approach to accurate measurement of uniaxial joint angles based on a combination of accelerometers and gyroscopes[J].Biomedical engineering，2005，52（8）：1478-1484.

[7] YAN L，YUE E L，JIAN H.Gait recognition based on MEMS acce-lerometer[C]// Proceedings of the 10th IEEE International Conference on Signal Processing Signal，2010：1679-1681.

[8] BUSSMANN J B J，VELTINK P H，KOELMA F，et al. Ambu-latory mobility-related activities：the initial phase of the development monitor[J].Eur j phys rehabil med，1995，5（1）：2-7.

[9] SAREMI K，MAREHBIAN J，YAN X，et a1.Reliability and vali-dity of bilateral thigh and foot accelerometry measures of walking in healthy and hemiparetic subjects[J].Neurorehabilitation and neural repair，2006，20（2）：297-305.

[10]章婉霞.步態監測系統的嵌入式軟件設計與實現[D].大連：大連理工大學，2013.

[11] AMES B L，REBECCA B M，BRENDAN J B.The use of a single inertial sensor to identify stride，step，and stance durations of running gait[J].Journal of science and medicine in sport，2010，13：270-273.

[12] HUANG N E，SHEN Z，LONG S R，et a1.The empirical mode decomposition and the Hilbert spectrum for nonlinearand non—stationary time serie analysis[J].Proc. R. Soc. Lond.A，1998，45（4）： 903-995.

[13]李天云，趙妍，季小慧. HHT 方法在電力系統故障信號分析中的應用[J].電工技術學報，2005，20（6）：87-91.

[14]于徳介，程軍圣，楊宇.機械故障診斷的Hilberthuang變換方法[M].北京：科學出版社，2006.

[15]陳忠，鄭時雄.基于經驗模式分解（EMD）的齒輪箱齒輪故障診斷技術研究[J].振動工程學報，2003，16（2）：229-231.

[16] LOH C H. Application of the empirical mode decomposition-Hilbert spectrum method to identify near-fault ground-motion characteristics and structural responses[J].Bulletin of theseism gical society of America，2001（91）： 1339-1357.

[17]程軍圣.基于Hilbert-Huang變換的旋轉機械故障診斷方法研究[D].長沙：湖南大學，2005.

[18]莊育鋒，胡曉瑾，翟宇.基于BP神經網絡的微量藥品動態稱重系統非線性補償[J].儀器儀表學報，2014，35（8）：1914-1920.

[19]王同旭，馬鴻雁，聶沐晗.電梯用永磁同步電機BP神經網絡PID調速控制方法的研究[J].電工技術學報，2015，30（1）：43-47.

[20]程軍圣，羅頌榮，楊斌，等.LMD能量矩和變量預測模型模式識別在軸承故障智能診斷中的應用[J].振動工程學報，2013，26（5）：751-757.

[21]姚剛，趙建軍，姚躍亭，等.基于改進EMD方法的系統誤差分離方法研究[J].振動與沖擊，2014，33（14）：176-180.

[22] LEE J A，CHO S H，LEE Y J，et a1.Portable activity monitoring system for temporal parameters of gait cycles[J].Journal of medical systems，2010，34（5）：959-966.

[23]黃金蘭.步態分析及在功能性電刺激中的應用[D].福州：福州大學，2016.