下肢假肢行走时的路况识别方法

摘要

本发明下肢假肢行走时的路况识别方法，涉及下肢假肢，步骤是：采用前脚掌压力传感器、后脚跟压力传感器和惯性测量单元模块采集被测试人员残肢端运动信号样本数据，实验路况包括平地、上斜坡、下斜坡、上楼梯和下楼梯五种；路况识别时间的起始点的选取；从此时开始利用惯性测量单元进行被测试人员残肢端运动信号样本数据的采集；实际应用的采集到的残肢端运动信号样本数据个数的确定；对采集计算得到的残肢端运动信号样本数据进行处理；采集到的残肢端运动信号样本数据的特征值计算；用LVQ-ADABOOST分类器训练；实现下肢假肢行走时的路况的在线识别；克服了现有下肢假肢行走时的路况的离线识别方法无法保证路况识别的实时性的缺陷。

主权项

下肢假肢行走时的路况识别方法，其特征在于步骤如下：第一步，采集被测试人员残肢端运动信号样本数据所用器件和实验路况：采集被测试人员残肢端运动信号样本数据所用器件包括前脚掌压力传感器、后脚跟压力传感器和惯性测量单元模块，前脚掌压力传感器安装在假肢脚部的前脚掌,后脚跟压力传感器安装在假肢脚部的后脚跟位置，惯性测量单元模块安装在残肢侧的接受腔位置,实验路况包括平地、上斜坡、下斜坡、上楼梯和下楼梯五种；第二步，路况识别时间的起始点的选取：选取一个步态周期中的摆动期的起始时刻作为路况识别时间的起始点，通过上述前脚掌压力传感器和后脚跟压力传感器来确定摆动期的起始时刻,当后脚跟压力传感器输出为“0”，且前脚掌压力传感器输出由“1”变为“0”时，说明此时处于摆动期的起始时刻，即为路况识别时间的起始点；第三步，被测试人员残肢端运动信号样本数据的采集：从第二步确定的路况识别时间的起始点开始利用惯性测量单元进行被测试人员残肢端运动信号样本数据的采集，包括残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号；第四步，实际应用的采集到的残肢端运动信号样本数据个数的确定：本发明提出的在线识别方法能够在一个步态周期的15％时间内识别出这一步态周期所处的路况，其中运动信号数据的采集占6％的时间，由于人类正常行走时的步态周期的统计结果为1.5s，上述6％即为0.09s，并考虑到上述压力传感器的采样频率为500Hz，故识别路况时实际应用的采集到的残肢端运动信号数据为0.09×500＝45个；第五步，对采集计算得到的残肢端运动信号样本数据进行处理：对采集计算得到的残肢端运动信号样本数据进行以下两方面的处理：(1)对采集计算得到的残肢端运动信号样本数据进行滤波处理，是利用小波分析的方法进行滤波处理，首先是将波形进行频段划分，然后在不同频段内进行针对性的处理，再将波形重构；(2)在上述第三步和第四步的基础上对得到的残肢端绕冠状轴转动的角速度信号分别进行积分和微分计算，得到残肢端绕冠状轴转动的角度信号和残肢端绕冠状轴转动的角加速度信号，对得到的残肢端在竖直方向平动的加速度信号进行积分计算，得到残肢端在竖直方向平动的速度信号，在对此残肢端在竖直方向平动的速度信号进行积分计算，得到残肢端在竖直方向平动的位移信号，扩展出了残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度、残肢端在竖直方向平动的速度信号和残肢端在竖直方向平动的位移四类信号，加上残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号，加在一起共六类运动信号，将应用这六类运动信号作为残肢端运动信号样本数据进行识别；第六步，采集到的残肢端运动信号样本数据的特征值计算：利用上述五个步骤得到的残肢端运动信号样本数据，包括残肢端绕冠状轴转动的角度信号、残肢端绕冠状轴转动的角加速度信号、残肢端在竖直方向平动的速度信号、残肢端在竖直方向平动的位移信号、残肢端绕冠状轴转动的角速度信号和残肢端在竖直方向平动的加速度信号，计算其特征值：平均值、标准差、偏度和峭度四个特征值，各特征值的具体计算公式如下：平均值：$\bar{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i,$标准差：$std=\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\Sigma }}{(x_i-\bar{x})}^2},$偏度：$SK=\frac{N\underset{i=1}{\overset{N}{\Sigma }}{(x_i-\bar{x})}^3}{(N-1)(N-2){\mathrm{std}}^3},$峭度：$K=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\left(\frac{x_i-\bar{x}}{std}\right)}^4,$其中，x_i表示第i个样本数据，N表示样本数据总数，x表示N个样本数据的平均值，std表示N个样本数据的标准差，SK表示样本数据的偏度，K表示样本数据的峭度；第七步，用LVQ‑ADABOOST分类器训练：将第六步计算得到的特征值用于分类器的训练，所选用的分类器是LVQ‑ADABOOST分类器，这是基于ADABOOST算法构造而成的一种分类器，采用10个学习矢量量化的LVQ神经网络作为弱分类器，利用ADABOOST算法将各分类器的结果进行组合，从而得出最终的分类结果；第八步，下肢假肢行走时的路况的在线识别：在第六步的分类器训练完成后，即可用于在线的下肢假肢行走时的路况识别，识别过程以一个步态周期为最小单位，将上述计算得到的特征值输入到训练好的LVQ‑ADABOOST分类器中，通过LVQ‑ADABOOST分类器的输出即可确定这一步态周期所处的路况，当继续行走到下一步态周期时，再重复上述过程，从而实现下肢假肢行走时的路况的在线识别。