融合統(tǒng)計和幾何特征的運動意圖識別方法

盛 敏，唐少波

（安慶師范大學數(shù)理學院，安徽安慶246133）

全世界因各種事故導致肢體殘疾者眾多，為改善下肢截肢者的生活質(zhì)量，讓其穿戴某種假肢。通過采集人體不同運動模式的步態(tài)周期數(shù)據(jù)識別下肢截肢者的運動意圖是智能下肢假肢需要解決的關鍵技術(shù)問題之一。根據(jù)采集數(shù)據(jù)的信號源屬性不同，下肢運動意圖識別方法主要分兩種[1]：（1）收集腦電波信息和人體表面肌電的信息等生物電數(shù)據(jù)，分析下肢截肢者運動趨勢。（2）采集三軸加速度、三軸角速度、關節(jié)角度以及電容信息、足底壓力信息等生物力學機械信號數(shù)據(jù)，判斷下肢截肢者運動意圖。

表面肌電信號（surface electromyography，sEMG）是產(chǎn)生肌肉力的生物電學信號，是更接近原始運動意圖的信號，利用表面肌電信號構(gòu)建的分類模型，可以在未做出動作前識別下一步的運動意圖。Huang等選取腳跟落地和腳尖離地之間的sEMG信號，提出了基于sEMG的人體運動模式識別方法，對7種日常生活常見運動模式識別精度為92.6%[2]。但肌肉阻抗、皮膚汗液、毛發(fā)及電磁波等會干擾信息采集的穩(wěn)定性和完整性，肌電信號強度對截肢者的截肢程度依賴性高[3]，采用sEMG信號無法克服自身信息的不穩(wěn)定性。隨著機械信號傳感技術(shù)趨于成熟穩(wěn)定，機械信號傳感器具有體積小、集成性強等優(yōu)勢。因此，本文采用生物力學機械信號型的傳感器采集運動時序數(shù)據(jù)進行截止患者下肢的運動意圖識別。

在基于智能下肢假肢的意圖識別研究中，文獻[4]采集了5種穩(wěn)態(tài)運動模式和8種轉(zhuǎn)換運動模式的數(shù)據(jù)用于訓練，總體識別率為93.9%，但該工作未對用于分類模型訓練的數(shù)據(jù)本身作過多考慮，運動意圖識別有一定的滯后性。文獻[5]采用殘肢側(cè)（患側(cè)）在轉(zhuǎn)換模式的擺動期數(shù)據(jù)作訓練樣本，識別8種轉(zhuǎn)換運動模式，識別率為94.9%。文獻[6]提出了一種基于機械傳感器的運動意圖識別方法，按照3種不同速度，采集在5種地形下穩(wěn)態(tài)模式的運動數(shù)據(jù)，通過隱馬爾科夫模型算法對其進行分類識別，識別率為95.8%。文獻[7-9]針對多模態(tài)傳感器數(shù)據(jù)融合以及在患側(cè)采集的數(shù)據(jù)具有一定滯后性問題，對智能下肢假肢的運動模式進行了重定義，提出了利用單傳感器采集截肢者健肢側(cè)（簡稱健側(cè)）處于擺動期13種運動模式的時序數(shù)據(jù)，研究智能下肢假肢運動意圖識別，但該團隊主要用到統(tǒng)計特征對下肢假肢運動意圖進行識別，沒有進一步探討與挖掘特征構(gòu)成方案。文獻[10]采用傅里葉函數(shù)對數(shù)據(jù)擬合以體現(xiàn)運動模式的幾何特征，提出了一種基于函數(shù)型數(shù)據(jù)分析的人體動態(tài)行為識別方法，該方法對一個周期的運動數(shù)據(jù)進行擬合，不適合于運動意圖識別?；诖耍疚尼槍\動意圖識別的特點，僅采集截肢者健側(cè)處于擺動期的時序數(shù)據(jù)，構(gòu)造最值斜率，提出一種由統(tǒng)計特征與幾何特征相結(jié)合的智能下肢假肢運動識別改進方法。

1 下肢運動類型相關概念

1.1 步態(tài)周期

從時間上來看，相同類型的下肢運動具有一定的周期特性，按照周期性可分為多個步態(tài)周期。

步態(tài)周期：行走過程中，從一側(cè)腳跟著地開始到該腳跟再次著地為1個步態(tài)周期。由圖1中的1號到8號構(gòu)成。

支撐期：指下肢其中一側(cè)接觸地面和承受重力的時期，由兩個雙支撐期和一個單支撐期構(gòu)成，約占步態(tài)周期的60%，由圖1中的1、2、3、4、5號構(gòu)成。

擺動期：指下肢其中一側(cè)離開地面邁步再到落地之間的時期，約占40%，由圖1中的6、7、8號構(gòu)成。

圖1 完整的步態(tài)周期

一個步態(tài)周期中，按照規(guī)律性特點，支撐期可分成兩種，雙腳支撐期和單腳支撐期。

雙腳支撐期：雙足同時與地面接觸，兩個雙腳支撐期分別發(fā)生于圖1中的1號和5號。正常步行速度下，1號和5號各約占整個步態(tài)周期的10%。

單腳支撐期：兩個單腳支撐期分別發(fā)生在圖1中的2、3、4號和6、7、8號，該段時期各約占步態(tài)周期的40%。

1.2 步態(tài)類型

穩(wěn)態(tài)類型：只涉及一種地形，雙腳行走所采用的一種運動類型，如圖2所示。

圖2 穩(wěn)態(tài)類型與穩(wěn)態(tài)步

穩(wěn)態(tài)步：任意一側(cè)腳處在穩(wěn)態(tài)類型下的運動，該側(cè)腳整個擺動期的運動稱為穩(wěn)態(tài)步。

轉(zhuǎn)換類型：從一種穩(wěn)態(tài)運動類型到另一種穩(wěn)態(tài)運動類型之間的轉(zhuǎn)換運動類型。

轉(zhuǎn)換步：促使向另一種運動類型轉(zhuǎn)換的某側(cè)腳運動，該側(cè)腳整個擺動期的運動稱為轉(zhuǎn)換步，如圖3所示。

圖3 轉(zhuǎn)換類型與轉(zhuǎn)換步（走-上坡）

1.3 運動類型

從正常人的日?；顒又锌梢杂^察到，殘疾人需要的是能夠在平地、上樓、下樓、上坡和下坡五種地形上有效行走以及后4種地形與平地地形之間的有效轉(zhuǎn)換,涉及5種穩(wěn)態(tài)步和8種轉(zhuǎn)換步共13種運動類型（如表1所示）。

表1 運動類型

2 運動意圖識別流程

從模式識別的角度來說，智能下肢假肢的意圖識別流程一般是：對象空間-模式空間-特征空間-類型空間。對象空間指實驗環(huán)境，如實驗設備、實驗場地、實驗對象。模式空間側(cè)重于下肢運動類別的明確化。特征空間是分類模型的特征構(gòu)成，如加速度和角速度。類型空間則是在已經(jīng)構(gòu)建好的分類模型下對實時數(shù)據(jù)進行判別和歸類，從而對運動意圖實時識別。本文基于慣性傳感器的運動意圖識別流程如下：

離線采集信號→提取需要數(shù)據(jù)→加窗濾波去噪→構(gòu)建特征空間→訓練分類模型→在線識別意圖。

1）采集實驗人員在13類運動模式下各個慣性傳感器生成節(jié)點的慣性傳感器信號。2）提取健康下肢大腿、小腿和腳底3個傳感器位于擺動期的數(shù)據(jù)。3）對數(shù)據(jù)使用移動平均濾波器進行濾波去噪處理。4）選擇均值、方差、最值斜率作為一組特征構(gòu)建特征空間。5）將樣本帶入分類算法中進行訓練，生成有效的分類模型。6）用分類模型對新輸入信號進行在線實時分類。

2.1 數(shù)據(jù)預處理

本文在訓練模型前使用移動平均濾波器對原始數(shù)據(jù)進行去噪，噪聲的異常極值點得到一定程度的平滑，對提取的最值斜率起到修正的效果。（圖4為行走到上樓轉(zhuǎn)換期間加速度信號處理前后對比）。對于13種運動類型，根據(jù)健側(cè)腳部傳感器采集到的腳尖離地起始幀作為起始點開始加窗處理，往后提取窗口長度為T的數(shù)據(jù)?？紤]到樣本中的一個擺動期長度范圍是45～70幀，窗口長度T取45幀。既最大程度保留數(shù)據(jù)反映運動的能力，又避免過長幀數(shù)取到下一動作的數(shù)據(jù)，保證智能下肢假肢控制無滯后性。

圖4 行走到上樓轉(zhuǎn)換期間加速度時序數(shù)據(jù)。（a）處理前的加速度信號；（b）處理后的加速度信號

2.2 混合特征空間

最值斜率極差除以最值對應幀之間幀數(shù)差的商，它是運動數(shù)據(jù)中最值關于時間序列的幾何特征，反應局部變化的快慢。

從人體運動學的角度來看，加速度和角速度的最大值反映出人體運動中肌肉產(chǎn)生的力（簡稱主動力）作用的最強時刻，最小值反映出自然重力作用的最強時刻。對于整個擺動期，前者側(cè)重于人體運動的主觀性，后者更強調(diào)自然重力的客觀性。最大值到最小值的過渡反映出主動力向自然重力的改變。改變的快慢與兩者關于幀數(shù)構(gòu)成直線的斜率有關。因此，對于單個傳感器某一維度的給定長度為N的一維信號a(t)( 1≤t≤N)，定義最值斜率：

其中，a(ti)表示在ti時刻信號的最大值，a(tj)表示在tj時刻信號的最小值，ti、tj分別表示與最大值和最小值對應的第i幀和第j幀。

考慮到運動意圖信號對實時性要求較高，對于幾何特征的提取采用函數(shù)型數(shù)據(jù)分析方法擬合線性函數(shù)提取的最值斜率，可以較好地反映函數(shù)局部特性。與統(tǒng)計特征從整體水平分布上來判斷運動意圖不同，最值斜率更多的是從局部變化快慢來分析運動意圖。

特征基從慣性傳感器采集的一維數(shù)據(jù)中選取數(shù)據(jù)的一組特征，如加速度。

特征空間由選擇的傳感器個數(shù)和提取數(shù)據(jù)維數(shù)以及特征基共同構(gòu)成。

能夠采集到下肢動作數(shù)據(jù)的一共有腰部、大腿、小腿及腳踝4個部位的傳感器。實驗表明采用添加腰部傳感器采集的數(shù)據(jù)，通過對人體運動重心的抓取以提高13種運動模式的識別精度，并未取得較好的效果。所以本文使用大腿、小腿和腳踝所采集的數(shù)據(jù)用于分類。

幾何特征從局部范圍去分析人體運動的意圖，能有效彌補統(tǒng)計特征中對局部思考不足的缺陷，同時能降低計算的復雜程度，減少分類模型的訓練成本。具體來說：均值反映人體運動的基本趨勢，方差刻畫人體運動的激烈程度，最值斜率代表局部改變的快慢。

其中，a(tn)表示tn時刻單個傳感器采集的某一維數(shù)據(jù)，N表示采樣幀數(shù)，A表示混合特征基。基于此，本文采用最值斜率（幾何特征）、均值（統(tǒng)計特征）、方差（統(tǒng)計特征）構(gòu)造混合特征基。

考慮到本文采用健側(cè)的大腿、小腿及腳踝3個傳感器，每個傳感器采用6維數(shù)據(jù)（3維加速度和3維角速度）總共18維數(shù)據(jù)，對每一維的數(shù)據(jù)提取上述3個特征，因此本文的特征空間由54維特征數(shù)據(jù)構(gòu)成。

3 實驗結(jié)果

實驗中采用的慣性傳感單元采樣頻率為96 Hz，角速度量程是±2 000 dps，加速度量程是±24 g?？捎涗?8維數(shù)據(jù)運動時序數(shù)據(jù)（3維加速度、3維角速度、3維速度、3維位移、4維四元數(shù)，2維觸地狀態(tài)）。實驗一共征集了10名志愿者[8]，其中含9名健康人和1名經(jīng)股骨截肢者。9名健康人為5名男性和4名女性，身高范圍為（160～180）cm，體重范圍為（45～80）kg，年齡范圍為（20～28）周歲。經(jīng)股骨截肢者身高170 cm，體重80 kg，年齡為46歲，穿戴假肢14年。

志愿者慣性傳感器穿戴位置如圖5所示。1名經(jīng)股骨截肢者，在醫(yī)生的指導下完成相關運動（如圖6所示）。現(xiàn)實生活中，不論正常人還是下肢截肢者遇到上下樓或上下坡的時候，先邁左腳還是右腳，具有一定的隨機性。根據(jù)文獻[8]可知，采集正常下肢處于擺動期數(shù)據(jù)，根據(jù)對稱性能更好地識別出轉(zhuǎn)換步，采用文獻[8]設計的邁步順序（如表2所示）進行試驗。受試者模擬左腿截肢者在5種不同的地形上進行5種穩(wěn)態(tài)模式和8種轉(zhuǎn)換模式的數(shù)據(jù)采集，所有模式都執(zhí)行10遍。共采集了9名正常人13類動作的1 170個樣本、1名截肢者動作的130個樣本。圖6（a）為截肢者穿戴的假肢，圖6（b）為截肢者下樓實驗。實驗中用SVM采用十次五折交叉驗證方法對算法進行評估。具體實驗給果如下頁表3所示。

圖5 慣性傳感器位置示意圖

圖6 假肢及截肢者下樓實驗。（a）假肢；（b）截肢者下樓實驗

表2 運動類型和邁步順序

借鑒文獻[7-9]的方法，采集來自健側(cè)的大腿、小腿及腳踝處的運動數(shù)據(jù)，以更好地識別出健側(cè)的8種轉(zhuǎn)換模式運動意圖，由對稱映射的關系預測出截肢者的下一運動模式。從截肢者日常生活中可以觀察到，健肢進行轉(zhuǎn)換完，假肢才會切換成另一種運動。等健側(cè)轉(zhuǎn)換結(jié)束，再去調(diào)節(jié)假肢的控制參數(shù)，可以使得智能下肢假肢及時轉(zhuǎn)換行走某種穩(wěn)態(tài)運動模式。由表3可知，在傳感器類型和數(shù)量方面，與文獻[4-7]相比，只使用同種類型的3個傳感器，避免了數(shù)據(jù)融合的問題。在特征基方面，與4個特征構(gòu)成的特征基相比，少了一個特征，進而特征維數(shù)減少，降低了算法的計算復雜度和訓練模型的成本。實驗結(jié)果表明，無論是5種穩(wěn)態(tài)運動類型，還是13種運動類型，在識別精度上依然具有較好的表現(xiàn)。

表3 統(tǒng)計型特征基與混合特征基的識別效果對比

由此可見，最值斜率作為一種幾何特征和兩種統(tǒng)計特征構(gòu)成的混合特征基為降維提供了一種新思路，實驗結(jié)果驗證了混合特征基的合理性。由表3可見，訓練模型對穩(wěn)態(tài)步和所有動作的識別精度有所提高，混合特征基可以作為一種運動意圖識別改進方法用于研究。

4 總結(jié)

本文提出了一種慣性傳感器信號驅(qū)動的單側(cè)下肢截肢者的運動意圖識別方法，用函數(shù)型方法提取的幾何特征與統(tǒng)計特征相結(jié)合的方式，對特征基進行了重新構(gòu)造，從而進一步優(yōu)化了特征空間。傳統(tǒng)特征基的運動意圖識別方法，對統(tǒng)計特征依賴性較大，而統(tǒng)計特征對局部變化的刻畫不夠準確，提取的幾何特征可以較好地彌補這類缺陷。