基于GGO-KD-KNN算法的下肢步態識別研究

中圖分類號：TN911.7 文獻標志碼：A 文章編號：1000-5137（2025）02-0141-05

Abstract：Toimprove theaccuracyandeficiencyoflowerlimbgaitrecognition，alowerlimbgaitrecognitionmethodbasedon the greylag gooseoptimization-K dimensional tree-K nearestneighbor（GGO-KD-KNN）algorithm was proposed to solve diffcult parameteradjustment problem.Firstly，thesurfaceelectromyographic signal（sEMG）wasused toobtain themuscle activityinformationofthelowerlimb，andthesignalswereclasifiedintofivegaitphases.Secondly，thesEMGsignals were denoised，andtime-domainandfrequency-domainfeatureswereextracted.Thirdly，theGGOalgorithmwasinspiredbythe behavior of gray geese groups to optimize the K value and distance metric of the KNN algorithm.Finally，the optimal solution was obtained byiterative fitnessTheexperimentalresultsshowed thatthegaitrecognition methodbasedon GGO-KD-KNN algorithmachievedhigherclassificationaccuracy（reached 98.23% ，withastandarddeviationofO.264）andstabilitycompared withothercommonlyusedalgorithms，whichprovidedatheoreticalbasisfortheresearchanddevelopmentofhumanlowerlimb intelligent assistive devices.

KeyWords：lowerlimbgaitrecognition；surfaceelectromyographic signal（sEMG）；greylaggooseoptimization-Kdimensional tree-K nearest neighbor（GGO-KD-KNN）algorithm;classification optimization

0引言

人類行走是周期性運動，步態周期性變化反映了人體運動的本質特征.準確識別步態的各個階段不僅對運動能力評估至關重要，還對外骨骼控制系統的精確運作起到了決定性作用.特別是在下肢步態識別領域，隨著外骨骼技術的快速發展，研究者日益關注如何通過更精確的步態階段判別來提高外骨骼機器人的響應能力和運動協調性.肌電信號（EMG）作為一種在運動發生前就能夠反映肌肉活動的生物電信號，已經成為識別步態階段和控制外骨骼運動的有效手段.與傳統的運動檢測技術相比，EMG不僅能夠實時捕捉到步態過程中細微的變化，還能根據個體的運動意圖調整外骨骼的行為，極大地提升了康復輔助技術的智能化和適應性.因此，基于EMG的下肢步態識別技術在外骨骼控制和康復醫學中的應用具有廣闊的應用前景和重要的實踐意義[1-3].

近年來，許多學者在表面肌電信號（sEMG）模式識別中探索了多種算法，并取得了一定的研究進展.WANG等[4]設計了一種雙隱藏層反向傳播神經網絡（BPNN），基于sEMG識別5種步態，實驗結果表明，該網絡在7種梯度下的平均識別率可達 86.49% .ZHANG等5提出了一種基于sEMG的多特征融合的動態自適應神經網絡模型（GA-DANN），引人動態自適應學習率，實驗結果顯示，該算法的平均準確率達到 94.89% ，相比傳統BPNN，提高了約 10% .此外，PUTRI等采用人工神經網絡（ANN）對EMG進行表征，并比較了6種不同的訓練精度方法，包括Levenberg-Marquardt反向傳播、準牛頓訓練方法、貝葉斯調節反向傳播、梯度下降反向傳播、自適應學習率梯度下降反向傳播以及一步割反向傳播.結果表明，Levenberg-Marquardt反向傳播方法的平均準確率最高，達到了 96% .CAI等提出了基于特征組合的線性判別分析-粒子群優化-長短期記憶（LDA-PSO-LSTM）算法，該算法識別率明顯高于線性判別分析-長短期記憶（LDA-LSTM）及其他分類器.雖然一些算法在實驗中表現出較高的準確率，但在實際應用中，外骨骼系統的實時性和穩健性要求更高，需要更加精確且穩定的算法來應對動態環境中的變化.因此，如何提高步態識別的精確度，并將其有效應用于下肢外骨骼控制，仍是當前研究的關鍵.

基于上述問題，本文作者研究了基于下肢sEMG的5種步態階段分類，為進一步提升步態識別精度，提出了一種基于灰雁優化-K維樹-K最近鄰（GGO-KD-KNN）算法的步態識別方法.該方法通過高效選擇KNN算法參數并優化分類過程，顯著提高了步態識別的準確率與穩定性，為康復輔助設備的研發開辟了新的路徑.

1 EMG采集和預處理

1.1 步態劃分

正常人的下肢步行呈現出周期性的運動模式，包括支撐期和擺動期兩個主要階段8.支撐期從一只腳的腳跟著地開始，到同一腳再次著地為止，可進一步細分為支撐前期（約占步態周期的 10%～12% ）支撐中期（約占步態周期的 38%～40% ）和支撐后期（約占步態周期的 10%～12% ）.擺動期則是該腳離地后至再次著地的過程，可分為擺動前期（約占步態周期的 20%～22% ）和擺動后期（約占步態周期的 18% 220% ）.對步態階段的精細劃分，有助于深入分析和理解人體行走的機制與特點，如圖1所示.

1.2 數據采集

構建的數據采集試驗系統包括計算機、Noraxon無線sEMG系統、數據同步線、4個參考電極、4個大矛另矛骨 市支撐前期支撐中期 支撐后期 擺動前期 擺動后期sEMG傳感器、8個Vicon紅外三維捕捉系統以及32個反光球.實驗同步記錄4名健康男性受試者（年齡23＼～26歲，身高 170～187cm 在行走過程中下肢肌肉的活動和運動軌跡，所有受試者均簽署知情同意書.

實驗步驟包括將參考電極和sEMG傳感器安裝于腓腸肌、腔骨前肌、股二頭肌和股外側肌，采樣頻率設置為 2000Hz. 反光球貼附于下肢兩側，通過Vicon系統進行立體成像校準.實驗在開闊場地進行，校準設備后，通過數據同步線連接Vicon與Noraxon設備.實驗操作包括清潔皮膚、固定反光球和傳感器.在Vicon系統中，建立下肢機器人模型用于模擬步態.受試者進行正常步態行走，系統同步記錄sEMG和運動軌跡.

此外，為了驗證算法的可靠性和有效性，使用公共數據集SIAT-LLMD進行實驗.該數據集包括20位測試者（15位男性和5位女性），采樣頻率為 1926Hz ，收集了9個通道的sEMG.本研究選取了其中4個通道的sEMG，分別來自股直肌、股內側肌、脛骨前肌和腓腸肌，并選擇了與本實驗對應的5種步態要求.

1.3 sEMG數據預處理

由于sEMG屬于微弱的低頻信號，容易受到外界干擾，其有效頻率范圍主要集中在 30～300Hz. 為提高信號質量，本研究采用了6層小波分解和軟閾值濾波技術，旨在平滑信號并保留其關鍵特征.使用了具有平坦頻率響應的巴特沃斯帶通濾波器，成功濾除了多余的頻率成分，保留了有效頻率范圍內的sEMG，從而確保了信號的準確性和可靠性，進一步提升信號質量.

1.4 特征提取

為了提高分類精度，本研究選擇提取了時域和頻域特征[0.時域特征包括最大值（MAX）、最小值（MIN）、均方根值（RMS）、絕對值平均值（MAV）、方差（VAR）和標準差（STD），頻域特征包括中值頻率（MF）平均幅值頻率（MPF）、頻率能量（NRG）、峰值頻率（PF）和頻率峰值最大值（MP）.

2 基于GGO-KD-KNN算法的下肢步態識別

2.1 基于KD-KNN算法的步態識別

KD-KNN是一種高效的最近鄰搜索算法，旨在通過使用KD樹數據結構來加速傳統KNN算法在 K 維空間中的查詢過程.KD樹是一種二叉樹結構，用于存儲和管理 K 維空間中的數據點，其構建過程為采用遞歸方式不斷分割空間，直到數據點集合滿足某個終止條件.每一層遞歸選擇一個維度作為切分軸，將數據點按照該維度的中位數劃分為兩個子集，從而構建樹形結構.

在KD-KNN算法中，當查詢一個點的K個最近鄰時，首先從KD樹的根節點開始，沿著樹的分支逐層向下遍歷，直到到達葉子節點.在回溯過程中，算法會檢查其他子樹是否包含距離查詢點更近的鄰居，大幅提高了搜索效率.KD樹的主要優勢體現在低維數據集上，能夠顯著減少距離計算的次數，降低算法的時間復雜度.

2.2基于GGO-KD-KNN算法的步態識別

GGO-KD-KNN算法結合了灰雁優化（GGO）算法和KD-KNN算法的優勢，廣泛應用于步態識別任務中.GGO算法是一種基于灰雁群體行為的自然啟發式優化算法，能夠有效搜索參數空間并優化步態識別過程中的關鍵參數，而KD-KNN算法則通過KD樹加速KNN算法的最近鄰搜索，從而提高分類的效率和精度.

在基于GGO-KD-KNN算法的步態識別中，GGO算法用于優化KNN算法的 K 值和距離度量，從而提高步態分類的性能.具體地，GGO模擬灰雁群體在遷徙過程中的集體行為，每只灰雁代表一個特征子集的可能解.GGO通過局部搜索和全局搜索相結合的方式，尋找最優的KNN算法參數配置.優化后的KNN算法通過KD樹對步態特征的提取進行高效分類處理，大大提高了步態識別的速度.GGO-KD-KNN算法步驟如下：

（1）隨機生成初始30只灰雁，每只灰雁包括K值和距離度量，速度初始化為零；（2）利用每只灰雁的解訓練KNN算法模型，使用交叉驗證計算分類誤差作為適應度函數，誤差越小解越優；（3）在每次迭代中，記錄當前種群中分類誤差最低的灰雁作為全局最優解；（4）根據灰雁優化規則更新速度與位置，結合全局最優解和隨機因子調整解，確保參數在合理范圍內，迭代至收斂后輸出最佳結果.

3實驗結果與分析

為了驗證所提方法的先進性和有效性，選擇了蝙蝠優化（BA）算法]、經典的粒子群優化（PSO）算法對KD-KNN算法進行優化，生成BA-KD-KNN與PSO-KD-KNN算法，并與本算法進行對比，結果如表1所示.

本文提出的GGO-KD-KNN算法在步態識

別任務中表現出卓越的性能.實驗結果表明，該方法在分類準確率方面達到了最高值（ 98.23% ），顯著優于其他算法.在運行效率上，GGO-KD-KNN算法的運行時間為 119.40s ，較BA和PSO算法分別減少了7.94s和 10.83s. 此外，該方法的標準差僅為0.264，在所有方法中最低，表明其具有較高的分類穩定性.

為了驗證算法的可靠性和有效性，使用公共數據集SIAT-LLMD對本算法的有效性進行驗證，采用KNN算法分別對GGO，BA和PSO算法進行優化.得到步態平均識別率，如圖3所示，經過GGO特征選擇后的步態分類平均準確率是 98.54% ，顯著高于未優化的KNN算法，也優于BA和PSO算法.綜上所述，GGO-KD-KNN算法不僅實現了高效快速的運行，還保證了分類結果的精度和穩定性，為基于sEMG的步態識別提供了高性能解決方案，具有一定的實際應用價值.

4結語

本文提出了一種基于GGO-KD-KNN算法的下肢步態識別方法，結合了GGO，KD和KNN三種算法，有效優化了KNN算法中的參數選擇，提升了計算速度，并增強了分類的準確性和穩定性.實驗結果表明，該方法在sEMG下肢步態識別任務中表現出了較優的性能和較高的準確率，為下肢智能輔助裝備的研究與開發提供了有力的理論支持和實踐依據.

參考文獻：

[1] WANGJY，DAIYH，KANG T，et al.Research on gait recognition basedonlowerlimb EMGsignal[C]// Proceedings of 2021 IEEE International Conference on Mechatronics and Automation.Takamatsu： IEEE，2021：212-217.

[2] 石宇.基于表面肌電信號的下肢運動意圖識別方法研究［D].沈陽：沈陽工業大學，2021.

[3] JABEEN S，BAINES PM，HARLAAR J，et al. Reaction moments mater when designing lower-extremity robots for tripping recovery[J].PLoS One，2023，18（2）：e0280158.

[4] WANG JY，DAI YH，SI X X.Analysisand recognitionof human lower limb motions based on electromyography （EMG）signals[J].Electronics，2021，10（20）：2473.

[5］ZHANG P，ZHANG JX，ELSABBAGH A.Lower limb motion intention recognition based on sEMG fusion features[J]. IEEE SensorsJournal，2022，22（7）：7005-7014.

[6] PUTRI FT，CAESARENDRA W，KROLCZYK G，etal. Human walking gait classification utilizing anartificial neural network for the ergonomics study of lower limb prosthetics[J].Prosthesis，2023，5（3）：647-665.

[7]CAI SB，CHEN DP，FAN BF，et al.Gait phases recognition basedon lower limb sEMG signals using LDA-PSOLSTMalgorithm[J]. Biomedical Signal Processing and Control，2023，80：104272.

[8] RUETERBORIES J，SPAICH EG，ANDERSEN O K. Gait event detection for use in FES rehabilitation byradial and tangential foot accelerations[J].Medical Engineeringamp;Physics，2014，36（4）：502-508.

[9] WEI WH，TANFN，ZHANG H，etal.Surface electromyogram，kinematic，and kinetic datasetof lowerlimb walking formovement intent recognition[J].Scientific Data，2O23，1O（1） ：358.

[10]ZHOU Y，CHEN C Y，CHENG M，et al.Comparison of machine learning methods in sEMG signal processing for shoulder motion recognition [J]. Biomedical Signal Processing and Control，2O21，68：102577.

[11] YANG X S.A new metaheuristic bat-inspired algorithm [M]/ GONZALEZJR，PELTADA，CRUZ C，et al.Nature Inspired Cooperative Strategies for Optimization （NICSO 2010）.Berlin，Heidelberg：Springer，2010：1-10.

（責任編輯：包震宇，顧浩然）