基于SVM-KNN的人體步態(tài)相位識(shí)別

張語萌　李志俊　步子豪　陶加貝

【摘 要】本文對(duì)各種常用分類器進(jìn)行優(yōu)缺點(diǎn)分析，最后選擇了基于閾值分割的SVM-KNN方法識(shí)別步態(tài)相位，并與SVM、KNN方法進(jìn)行比較。

【關(guān)鍵字】外骨骼機(jī)器人;步態(tài)相位識(shí)別;SVM-KNN;閾值分割

中圖分類號(hào)： TP242文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2019）28-0023-002

DOI：10.19694/j.cnki.issn2095-2457.2019.28.006

【Abstract】In this paper， the advantages and disadvantages of various classifiers are analyzed. Finally， SVM-KNN method based on threshold segmentation is selected to identify gait phase， and compared with SVM and KNN methods.

【Key words】Exoskeleton robot; Gait phase recognition; SVM-KNN; Threshold segmentation

外骨骼機(jī)器人技術(shù)現(xiàn)如今已廣泛地應(yīng)用在軍事、生活、醫(yī)療等方面，外骨骼的控制方式是基于人的運(yùn)動(dòng)意圖來進(jìn)行控制的。目前有很多種方式可以獲取人體的運(yùn)動(dòng)意圖信號(hào)，根據(jù)不同的獲取方式，可以簡單地將控制方法分為三種：基于圖像的方式、基于運(yùn)動(dòng)傳感器的方式和基于生物電信號(hào)方式。分類算法的選擇對(duì)于判斷人體的運(yùn)動(dòng)意圖的準(zhǔn)確性，提高人體平地行走的步態(tài)相位模式分類的準(zhǔn)確率非常重要。目前常用于模式分類的算法主要有神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫、模糊分類器、動(dòng)態(tài)時(shí)間規(guī)整、支持向量機(jī)、K近鄰法等。

1 基于SVM與基于KNN的分類識(shí)別方法

1.1 基于SVM的分類識(shí)別方法

支持向量機(jī)是一種二分類器，是針對(duì)線性可分類問題的最優(yōu)化分類而提出的。支持向量機(jī)最重要的是求出最優(yōu)超平面并且將兩種分類樣本正確地分開，同時(shí)使兩個(gè)樣本之間的間隔最大。二維情況下，線性可分的超平面如圖1所示。圖中H表示最優(yōu)化分類線，黑點(diǎn)方形表示兩種分類樣本，H1和H2的距離L=2/‖w‖為分類間隔，H1和H2分別為穿過兩類樣本且與H最近的平行線，而穿過H1和H2上的樣本為支持向量。

對(duì)于非線性問題，可以將向量映射到更高維的空間中，在高維空間中找出輸入量和輸出量之間的非線性關(guān)系。設(shè)點(diǎn)核函數(shù)K（X，X'），先通過非線性變換，將輸入量變換到高維空間中，然后再在高維空間中求出最優(yōu)線性超平面。

本文把人體平地行走時(shí)一個(gè)步態(tài)周期劃分為5個(gè)相位，按照足底與地面接觸情況和膝關(guān)節(jié)的角度劃分了支撐前、中、后，擺動(dòng)前、后5種相位模式。對(duì)sEMG信號(hào)進(jìn)行預(yù)處理和特征提取后，采用SVM作為分類器進(jìn)行分類。本文對(duì)人體正常平地行走狀態(tài)下，去除開始和結(jié)尾數(shù)據(jù)，采集中間200個(gè)步態(tài)周期的sEMG信號(hào)特征值作為樣本數(shù)據(jù)。步態(tài)周期時(shí)間約為1000毫秒，使用數(shù)據(jù)窗方法來提取特征值，數(shù)據(jù)窗長度為60ms，采樣頻率為2000Hz，即一個(gè)樣本包含120個(gè)采樣點(diǎn)數(shù)據(jù)，一個(gè)周期可以分為約16組樣本，200個(gè)步態(tài)周期總共有3200組樣本。其中5個(gè)步態(tài)相位（支撐前、中、后，擺動(dòng)前、后）分別占一個(gè)步態(tài)周期時(shí)間的10%、40%、10%、20%、20%，即分別所占的樣本組數(shù)為：320、1280、320、640、640。選取總樣本數(shù)的80%作為訓(xùn)練集，20%作為測試集。本文SVM算法是用MATLAB編寫的，從而實(shí)現(xiàn)對(duì)5種步態(tài)模式的識(shí)別，分類器識(shí)別結(jié)果得知一個(gè)步態(tài)周期中，5種步態(tài)相位的識(shí)別率在82.8%到89.8%之間，平均識(shí)別率為85.9%，平均識(shí)別時(shí)間為13.2ms，識(shí)別效果一般。

1.2 基于KNN的分類識(shí)別方法

K近鄰算法最早是由Cover和Hart在1968年提出的。該算法的核心思想是在已知樣本集的類別條件下，對(duì)于某個(gè)測試樣本在特征空間中，若與其K個(gè)近鄰的樣本中的大多數(shù)屬于某一個(gè)類，那么該樣本也屬于這個(gè)類別。KNN方法在確定分類決策上只與K個(gè)最近樣本有關(guān)，對(duì)于那些類域交叉或重疊較多的待分樣本集，KNN方法比較合適，其分類方法簡單直觀，效果較好。但是當(dāng)樣本集規(guī)模較大時(shí)，對(duì)應(yīng)的計(jì)算量也較大。

使用上述的實(shí)驗(yàn)方法再次進(jìn)行實(shí)驗(yàn)，用KNN算法進(jìn)行分類時(shí)，K通常選取質(zhì)數(shù)以防止出現(xiàn)類別票數(shù)相同的情況。對(duì)于5種步態(tài)模式，本文選取K=5，其識(shí)別結(jié)果可得，5種步態(tài)相位的識(shí)別率在82.8%到91.4%之間，平均識(shí)別率為86.6%，平均識(shí)別時(shí)間為25.0ms，相較與SVM識(shí)別算法，KNN無需訓(xùn)練模型，但在識(shí)別中需要比較與所有樣本的距離，當(dāng)特征維數(shù)較大時(shí)，其計(jì)算量較大，識(shí)別所需時(shí)間較多，對(duì)于樣本數(shù)較少時(shí)，其識(shí)別準(zhǔn)確率比SVM算法略高，SVM算法需要在訓(xùn)練階段對(duì)訓(xùn)練樣本構(gòu)造分類器，在訓(xùn)練階段需要耗費(fèi)一定的時(shí)間，但是分類器可以離線構(gòu)造，在分類階段其耗費(fèi)時(shí)間較短，實(shí)時(shí)性較高。

2 基于SVM-KNN的分類識(shí)別方法

SVM算法對(duì)于非線性問題能夠很好的解決，可以把非線性特征轉(zhuǎn)換為線性特征，能夠處理高維問題，泛化能力強(qiáng)，具有很好的穩(wěn)定性，但是在距離超平面近的樣本或類域交叉重疊、不平衡時(shí)，出錯(cuò)率比較大。

KNN方法在確定分類決策上只與K個(gè)最近樣本有關(guān)，對(duì)于那些類域交叉或重疊較多的待分樣本集，KNN方法比較合適。但是KNN方法的待測樣本要計(jì)算所有已知樣本的距離，計(jì)算比較復(fù)雜，耗時(shí)長，在特征向量維數(shù)較高時(shí)更為明顯。

SVN-KNN改進(jìn)算法。

本文提出了一種改進(jìn)的SVM-KNN算法，能夠解決常規(guī)SVM-KNN算法樣本分布不均衡，特征值維數(shù)和權(quán)重等方面的問題，提高識(shí)別準(zhǔn)確率，減小識(shí)別時(shí)間。改進(jìn)的SVM-KNN算法具體步驟如下：

步驟1 對(duì)原始sEMG信號(hào)進(jìn)行小波閾值去噪、巴特沃斯帶通濾波和50Hz陷波濾波預(yù)處理。

步驟2 提取時(shí)域、頻域和AR模型參數(shù)等特征值。

步驟3 對(duì)特征向量進(jìn)行PCA降維處理。

步驟4 根據(jù)訓(xùn)練數(shù)據(jù)集計(jì)算出支持向量機(jī)的分類超平面和所有支持向量。

步驟5 計(jì)算測試樣本X到分類超平面的距離|f（X）|。

步驟6 給定閾值ε（ε>0），若|f（X）|≥ε，使用優(yōu)化參數(shù)的 SVM分類識(shí)別。若|f（X）|<ε，說明該測試樣本點(diǎn)距離超平面較近，則用加權(quán)重的馬氏距離算的KNN算法進(jìn)行分類，以所有支持向量作為測試樣本X的近鄰樣本。

3 改進(jìn)的KNN-SVM步態(tài)識(shí)別

本文對(duì)原始數(shù)據(jù)集進(jìn)行小波去噪，巴特沃斯濾波預(yù)處理，提取特征值得到特征向量樣本集X={X1，…，XN}，Xi={AVAi1，VARi1，RMSi1，…，AVAij，VARij，RMSij，…}，一個(gè)特征向量Xi包含時(shí)域（4）、頻域（3）、AR模型參數(shù)（4）共11種特征，j為肌電信號(hào)通道（股二頭肌、闊筋膜張肌、股直肌、腓腸肌），共4個(gè)通道，因此一個(gè)特征向量包含44維數(shù)據(jù)，本文采用PCA降維方法取前4種主要成分作為最終的特征向量樣本，即Xi={x1，x2，x3，x4}。選取總樣本數(shù)的80%作為訓(xùn)練集，20%作為測試集，改進(jìn)的SVM-KNN分類器識(shí)別結(jié)果如表1所示。

由上表可得，5種步態(tài)相位的識(shí)別率在90.6%到95.3%之間，平均識(shí)別率為93.3%，平均識(shí)別時(shí)間為15.6ms，識(shí)別效果較好。相較于SVM算法和KNN算法，KNN-SVM的識(shí)別準(zhǔn)確率得到提升，并且識(shí)別時(shí)間較短，當(dāng)測試樣本到SVM分類超平面的距離超過閾值時(shí)，選用改進(jìn)參數(shù)的SVM算法進(jìn)行識(shí)別，當(dāng)距離小于ε時(shí)，以SVM分類器的所有支持向量作為測試樣本的近鄰樣本，用KNN算法進(jìn)行識(shí)別，不需要計(jì)算與所有訓(xùn)練樣本的距離，減少識(shí)別時(shí)間，提高準(zhǔn)確率。本文經(jīng)過多次試驗(yàn)，當(dāng)閾值ε=0.7，K=3時(shí)，分類器分類器具有最高準(zhǔn)確率達(dá)到93.3%左右。取不同閾值和K值時(shí)分類器的準(zhǔn)確率如表2所示。

4 實(shí)驗(yàn)結(jié)果比較與分析

本文對(duì)同一數(shù)據(jù)樣本集分別用SVM、KNN、傳統(tǒng)SVM-KNN、改進(jìn)SVM-KNN這4種算法進(jìn)行識(shí)別，改進(jìn)的SVM-KNN算法對(duì)步態(tài)相位模式識(shí)別的準(zhǔn)確率相比傳統(tǒng)的SVM-KNN算法有較為明顯的提高，其對(duì)每種運(yùn)動(dòng)模式的識(shí)別率都在90%以上，擺動(dòng)后期的識(shí)別率最高為95.3%，支撐后期的識(shí)別率較低為90.6%。

5 結(jié)論

本文提出的改進(jìn)的SVM-KNN算法能夠解決常規(guī)SVM-KNN算法樣本分布不均衡，特征值維數(shù)和權(quán)重等方面的問題，提高識(shí)別準(zhǔn)確率，減小識(shí)別時(shí)間，其主要改進(jìn)點(diǎn)在于：

利用PCA方法對(duì)特征值進(jìn)行降維處理，提高數(shù)據(jù)有效性，當(dāng)測試樣本和分類超平面之間的距離大于給定閾值時(shí)，用SVM算法識(shí)別，利用粒子群算法優(yōu)化SVM懲罰參數(shù)C和核函數(shù)半徑參數(shù)g，提高分類器性能;當(dāng)測試樣本和分類超平面之間的距離小于給定閾值時(shí)，則以支持向量（SVs）作為測試樣本近鄰樣本，采用KNN進(jìn)行分類，支持向量（SVs）能夠充分代表訓(xùn)練樣本集的含義，同時(shí)減小KNN算法對(duì)近鄰樣本的依賴性，利用加權(quán)重的馬氏距離來計(jì)算的KNN算法樣本間的距離。

【參考文獻(xiàn)】

[1]杭成成.基于sEMG信號(hào)的下肢運(yùn)動(dòng)意圖識(shí)別方法[D].武漢理工大學(xué)，2019.

[2]陳峰.可穿戴型助力機(jī)器人技術(shù)研究[D].中國科學(xué)技術(shù)大學(xué)，2007.

[3]張浩，劉志鏡.加權(quán)DTW距離的自動(dòng)步態(tài)識(shí)別[J].中國圖像圖像學(xué)報(bào)，2010，15（5）：830-836.