基于多傳感器信息融合的步態(tài)識(shí)別方法研究

周潔

（西南交通大學(xué)電氣工程學(xué)院，成都 262500）

基于多傳感器信息融合的步態(tài)識(shí)別方法研究

周潔

（西南交通大學(xué)電氣工程學(xué)院，成都 262500）

準(zhǔn)確的步態(tài)相位識(shí)別是下肢外骨骼機(jī)器人運(yùn)動(dòng)意圖判斷與控制策略制定的前提與基礎(chǔ)。通過(guò)人體下肢運(yùn)動(dòng)信息檢測(cè)系統(tǒng)，獲取下肢各關(guān)節(jié)運(yùn)動(dòng)角度及足底分布式壓力，在運(yùn)動(dòng)學(xué)步態(tài)分析的基礎(chǔ)上，提取信號(hào)有效特征。針對(duì)正常步行運(yùn)動(dòng)中各步態(tài)存在次序及界限不精確的特性，提出加入模糊邏輯概念的有限狀態(tài)機(jī)方法，對(duì)下肢傳感器系統(tǒng)提供的運(yùn)動(dòng)信號(hào)進(jìn)行多傳感器信息融合，實(shí)現(xiàn)步態(tài)識(shí)別。實(shí)驗(yàn)結(jié)果證明該方法在2.4km/h、3.6km/h、4.8km/h和6.0km/h四種速率的步行模式下都可以進(jìn)行有效的步態(tài)識(shí)別，具有極高的準(zhǔn)確率。

步態(tài)識(shí)別；關(guān)節(jié)運(yùn)動(dòng)角度；足底壓力；模糊邏輯；有限狀態(tài)機(jī)；傳感器融合

0 引言

下肢可穿戴外骨骼機(jī)器人已經(jīng)在過(guò)去的幾十年迅速發(fā)展，并且已經(jīng)證明了能夠很好地協(xié)助人類(lèi)在各種軍事、醫(yī)療和工業(yè)等領(lǐng)域中的工作?，F(xiàn)有的外骨骼機(jī)器人研究領(lǐng)域面臨眾多關(guān)于硬件和軟件方面的挑戰(zhàn)，其中一個(gè)主要的挑戰(zhàn)就是，機(jī)器人通常缺乏充分的能力識(shí)別到人類(lèi)佩戴者的行為和意圖。因此，為了克服這些挑戰(zhàn)，工程師們使用了多種傳感器獲取穿戴者的運(yùn)動(dòng)信息，并通過(guò)多種推理方法獲得穿戴者的步行狀態(tài)與運(yùn)動(dòng)意圖，幫助外骨骼制定有效的控制策略[1]。其中比較有代表性的是以下幾種方式：腦機(jī)接口（BMI）、肌電信號(hào)（EMG）、以慣性測(cè)量單元及壓敏傳感器為代表的機(jī)械傳感器。其中通過(guò)腦機(jī)接口得到的腦電圖（EEG）、腦皮層電圖（ECoG）及皮層電極[2]是近年來(lái)作為人體運(yùn)動(dòng)意圖研究依據(jù)，它的優(yōu)勢(shì)是可以允許癱瘓病人可以控制機(jī)器人跟隨大腦想法運(yùn)動(dòng)[3]，該方法主要運(yùn)用在康復(fù)機(jī)器人領(lǐng)域，但是具有無(wú)法分辨人腦無(wú)意識(shí)運(yùn)動(dòng)的特點(diǎn)。肌電信號(hào)主要測(cè)量的是肌肉細(xì)胞在肌肉活動(dòng)之前100ms產(chǎn)生的電信號(hào)[4]，HAL助力行走機(jī)器人就是主要通過(guò)采集肌電信號(hào)識(shí)別人體運(yùn)動(dòng)意圖[5]，該方法具有提前預(yù)測(cè)性，但易受人體表面出汗等因素的影響。運(yùn)用機(jī)械傳感器主要放置在人體表面或裝置與外骨骼機(jī)械上，該方法簡(jiǎn)單易實(shí)現(xiàn)干擾性小的優(yōu)點(diǎn)。BLEEX下肢助力外骨骼機(jī)器人的傳感器系統(tǒng)主要由力傳感器和傾角傳感器測(cè)量機(jī)器人關(guān)節(jié)力和肢體傾角，足底壓力傳感器測(cè)量步行時(shí)足底壓力分布，陀螺儀用來(lái)測(cè)量上身的中心和傾角[6]，并將人體步態(tài)劃分為單腿支撐、雙腿支撐以及冗余雙腿支撐三個(gè)狀態(tài)[7]。Savelbeg[8]使用人工神經(jīng)網(wǎng)絡(luò)對(duì)足底壓力及地面反射壓力進(jìn)行建模，對(duì)步態(tài)相位進(jìn)行預(yù)測(cè)；Ion P.I.Pappas[9]等人分別運(yùn)用有限狀態(tài)控制方法將安裝在踝關(guān)節(jié)的陀螺儀與足底壓力信號(hào)融合，并分為腳跟觸地、支撐、足跟離地、擺動(dòng)四個(gè)步態(tài)相位進(jìn)行識(shí)別；Milica Djuric[10]采用閾值的方法處理大腿、小腿、腳面的角度傳感器與足底的兩點(diǎn)壓力傳感器，并分成8個(gè)步態(tài)相位進(jìn)行識(shí)別；高增桂、孫守遷[11]等人則采用基因表達(dá)式方法建立膝關(guān)節(jié)的運(yùn)動(dòng)狀態(tài)識(shí)別模型。

本文針對(duì)步行狀態(tài)是一系列有次序的運(yùn)動(dòng)及步態(tài)相位劃分界限不完全精確的特性，步行狀態(tài)具有次序，提出了加入模糊邏輯概念的有限狀態(tài)機(jī)方法對(duì)下肢下肢各關(guān)節(jié)運(yùn)動(dòng)角度信號(hào)及足底分布式壓力信號(hào)進(jìn)行融合步態(tài)識(shí)別。

1 步態(tài)及信號(hào)分析

步行是具有周期性的動(dòng)作，一側(cè)足跟著地開(kāi)始到該足跟再次著地構(gòu)成1個(gè)單腿步態(tài)周期。根據(jù)腿部動(dòng)作的特征，可以將步態(tài)分為支撐相和擺動(dòng)相。支撐相是指從足跟著地到足尖離地的時(shí)間，該段時(shí)間足底與地面接觸并承受身體的重量，該階段約占步態(tài)周期的60%，擺動(dòng)相則是從足尖離地到下一次足跟著地的時(shí)間，約占步態(tài)周期的40%。但是下肢步態(tài)不能只分成這兩個(gè)相位，因劃分的相位數(shù)太少，則利用及傳遞的信息太少，控制策略的制定與實(shí)現(xiàn)將更有難度，也會(huì)影響整個(gè)系統(tǒng)的控制效果。故本文采用J.Rose[12]基于運(yùn)動(dòng)學(xué)原理提出的根據(jù)標(biāo)志性事件將步態(tài)進(jìn)行詳細(xì)劃分，這幾個(gè)標(biāo)志性事件為：足跟著地、足平放、足跟離地、足前支撐、足尖離地、足尖近地（擺動(dòng)中期開(kāi)始）、脛骨垂直（減速擺動(dòng)開(kāi)始），如圖1所示。每個(gè)標(biāo)志性事件到下一事件中間的狀態(tài)定義為一個(gè)步態(tài)相位，分別用GP1~ GP7表示。從一個(gè)步態(tài)周期開(kāi)始到標(biāo)志性步態(tài)所占整個(gè)步態(tài)周期的時(shí)間可以作為驗(yàn)證步態(tài)識(shí)別方法的評(píng)判標(biāo)準(zhǔn)。

圖1 步態(tài)相位劃分

人體下肢運(yùn)動(dòng)信息復(fù)雜多變，傳感器系統(tǒng)是實(shí)現(xiàn)人機(jī)信息交互，實(shí)時(shí)控制的硬件基礎(chǔ)。本文的傳感器系統(tǒng)由人體運(yùn)動(dòng)角度感知系統(tǒng)，足底壓力感知系統(tǒng)組成。其中人體運(yùn)動(dòng)角度感知系統(tǒng)是安裝在人體下肢各個(gè)肢體上，足底壓力測(cè)量單元?jiǎng)t安裝在外置的鞋內(nèi)，兩套系統(tǒng)的采樣頻率皆為120Hz。

（1）人體運(yùn)動(dòng)角度感知系統(tǒng)

人體各肢體運(yùn)動(dòng)角度是人體在運(yùn)動(dòng)過(guò)程中最主要的特征之一。人體運(yùn)動(dòng)角度感知系統(tǒng)是在每條腿上分別安裝3個(gè)姿態(tài)傳感器，位置分別在人體正表面的大腿，小腿中部位置以及腳面正中位置，測(cè)量人體行走過(guò)程中，髖關(guān)節(jié)、膝關(guān)節(jié)、踝關(guān)節(jié)的運(yùn)動(dòng)角度。傳感器主要采用慣性測(cè)量單元（傳感器如圖2（a）所示）進(jìn)行信息采集，各導(dǎo)向角輸出是通過(guò)其自帶的卡爾曼濾波器利用陀螺儀、加速度計(jì)、磁力計(jì)等數(shù)據(jù)計(jì)算出的沒(méi)有漂移的高精度的統(tǒng)計(jì)最優(yōu)的三維方向估計(jì)。下肢各關(guān)節(jié)角度的符號(hào)約定如下圖2（b）所示，每個(gè)關(guān)節(jié)的測(cè)量角度是以垂直方向到各肢體即逆時(shí)針?lè)较驗(yàn)檎嵌取?/p>

（2）足底壓力感知系統(tǒng)

足底壓力信號(hào)能夠很好地反應(yīng)人體在正常行走過(guò)程中尤其是下肢支撐狀態(tài)下的運(yùn)動(dòng)特點(diǎn)。本文足底壓力感知系統(tǒng)采用的是分布式壓力測(cè)量方法（實(shí)物如圖3（a）所示），分別在兩只外骨骼足底的大拇指、前掌左側(cè)、前掌右側(cè)、足跟4個(gè)位置上（如圖3（b）所示）安裝壓力傳感器，經(jīng)過(guò)大量實(shí)驗(yàn)驗(yàn)證，這4個(gè)壓力采集點(diǎn)所在的區(qū)域壓力信息特征較為明顯，且重復(fù)性與穩(wěn)定性較好。

圖2 慣性測(cè)量單元安裝示意圖及角度定義

圖3 足底傳感器實(shí)物圖及示意圖

由傳感器得到的信號(hào)采用平滑濾波法去除噪聲進(jìn)行濾波，其中由于腳面的慣性傳感單元安置問(wèn)題，會(huì)對(duì)踝關(guān)節(jié)角度進(jìn)行修正，減去腳面初始角度。通過(guò)數(shù)據(jù)點(diǎn)采樣率的壓縮與增加，本文將同一對(duì)象在2.4km/h、3.6km/h、4.8km/h、6.0km/h速率下的各關(guān)節(jié)運(yùn)動(dòng)角度進(jìn)行對(duì)比，如圖4所示，隨著速率的增加，各步態(tài)數(shù)據(jù)的幅值及峰值會(huì)有所變化，但同一步態(tài)數(shù)據(jù)的形狀、上升下降起始點(diǎn)結(jié)束點(diǎn)等都十分接近，運(yùn)動(dòng)角度及壓力數(shù)據(jù)隨時(shí)間變化的規(guī)律基本一致，只存在因步態(tài)運(yùn)動(dòng)不完全穩(wěn)定所產(chǎn)生的微小差異。右腿各個(gè)關(guān)節(jié)的運(yùn)動(dòng)角度對(duì)應(yīng)各個(gè)步態(tài)具有明顯的特征，如在足跟觸地時(shí)，髖關(guān)節(jié)、膝關(guān)節(jié)、踝關(guān)節(jié)角度都接近于正向最大；足平放階段踝關(guān)節(jié)角度近似為零；足尖離地時(shí)膝關(guān)節(jié)、踝關(guān)節(jié)信號(hào)接近逆向最大等。在不同的步態(tài)時(shí)，各關(guān)節(jié)運(yùn)動(dòng)角度特征具有有強(qiáng)弱之分。

由足底壓力傳感器得到的得到的分布式壓力信號(hào)如圖5所示，足底各點(diǎn)壓力分別用fA、fB、fC、fD表示。足底各點(diǎn)壓力數(shù)值會(huì)隨速率變化峰值明顯變化，但是隨時(shí)間變化規(guī)律基本不變?？梢詮膱D中看出在支撐相，足底出現(xiàn)了明顯的信號(hào)波動(dòng)，腳跟、前掌右側(cè)、前掌左側(cè)、大拇指依次出現(xiàn)信號(hào)，而在擺動(dòng)相時(shí)信號(hào)沒(méi)有明顯變化，其中前掌左側(cè)與右側(cè)的信號(hào)起始點(diǎn)，結(jié)束點(diǎn)以及出現(xiàn)峰值的階段基本重合，可作為互補(bǔ)。

2 步態(tài)識(shí)別算法研究

圖4 不同速率下各關(guān)節(jié)運(yùn)動(dòng)角度

圖5 足底壓力信號(hào)

在正常步行運(yùn)動(dòng)狀態(tài)下，人體的下肢運(yùn)動(dòng)是一個(gè)在時(shí)間軸上連續(xù)的有次序的運(yùn)動(dòng)構(gòu)成的動(dòng)作序列，只要確定當(dāng)前步行狀態(tài)，則下一個(gè)步態(tài)也是基本確定的，只需識(shí)別每個(gè)狀態(tài)的轉(zhuǎn)移變化過(guò)程即可實(shí)現(xiàn)動(dòng)作的判別。因此，本文提出應(yīng)用有限狀態(tài)機(jī)（Finite State Ma-chine，F(xiàn)SM）方法進(jìn)行初步的步態(tài)識(shí)別。FSM是表示有限多個(gè)狀態(tài)以及在這些狀態(tài)之間轉(zhuǎn)移和動(dòng)作的數(shù)學(xué)模型。步態(tài)識(shí)別FSM可以表示成如下的5元函數(shù)組：

其中，Q表示狀態(tài)的非空有窮集合{q0，q1，q2，...，qn，f0，f1}，該狀態(tài)集中主要包含初始狀態(tài)GF、識(shí)別無(wú)效的錯(cuò)誤狀態(tài)GF以及標(biāo)志性步態(tài)GP1~GP7；Σ表示輸入字母表，包含了各關(guān)節(jié)運(yùn)動(dòng)角度及足底各點(diǎn)壓力；δ表示狀態(tài)轉(zhuǎn)移函數(shù)，δ：Q×Σ→Q，表示當(dāng)前狀態(tài)轉(zhuǎn)換到后繼狀態(tài)的條件函數(shù)；q0表示Q的開(kāi)始狀態(tài)，也可叫作初始狀態(tài)或啟動(dòng)狀態(tài)；F={f0，f1}表示M的終止?fàn)顟B(tài)集合，分別表示識(shí)別成功及識(shí)別無(wú)效的狀態(tài)。

根據(jù)傳感器信息分析各步態(tài)所具有的的標(biāo)志性特征作為步態(tài)間轉(zhuǎn)換的條件，滿(mǎn)足轉(zhuǎn)移條件即發(fā)生狀態(tài)轉(zhuǎn)移，由此得到步態(tài)識(shí)別的狀態(tài)轉(zhuǎn)移表與條件轉(zhuǎn)移圖，分別如表1與圖6所示各傳感器狀態(tài)表述為正向最大PL，正向減小PD，負(fù)向增大PI，負(fù)向最大NL，負(fù)向減小ND，正向增大PI以及接近于0的CZ其中步態(tài)識(shí)別FSM中的初始狀態(tài)是在不確定當(dāng)前步態(tài)時(shí)的狀態(tài)，需要對(duì)每一個(gè)條件滿(mǎn)足的程度進(jìn)行計(jì)算，得到當(dāng)前步態(tài)。在非初始狀態(tài)時(shí)則可以只計(jì)算轉(zhuǎn)移到下一步態(tài)的條件是否滿(mǎn)足即可。

表1 步態(tài)識(shí)別狀態(tài)轉(zhuǎn)移表

圖6 條件轉(zhuǎn)移圖

人體在行走過(guò)程中可能突然轉(zhuǎn)變步態(tài)，再由新的步態(tài)重新開(kāi)始步態(tài)序列。因此為了防止可能由步態(tài)瞬間轉(zhuǎn)換或本身系統(tǒng)產(chǎn)生的步態(tài)誤判、遺漏，設(shè)置錯(cuò)誤狀態(tài)，將錯(cuò)誤狀態(tài)裝換條件設(shè)置為一個(gè)步態(tài)持續(xù)到1/5個(gè)步態(tài)周期仍未轉(zhuǎn)移到下個(gè)步態(tài)，則判定為識(shí)別無(wú)效，轉(zhuǎn)移到初始狀態(tài)對(duì)所有條件進(jìn)行計(jì)算。在步態(tài)識(shí)別過(guò)程中不斷更新最新的步態(tài)周期。

當(dāng)步態(tài)識(shí)別系統(tǒng)處于初始狀態(tài)時(shí)，必須對(duì)每個(gè)轉(zhuǎn)移條件的強(qiáng)度進(jìn)行計(jì)算，然后那個(gè)具有最高激活水平的狀態(tài)獲勝，成為新的當(dāng)前狀態(tài)。根據(jù)狀態(tài)轉(zhuǎn)移表中各傳感器的特征具有一定的不明確界限的特點(diǎn)，在計(jì)算條件強(qiáng)度是加入模糊邏輯的概念。

具體策略為：（1）將傳感器數(shù)據(jù)進(jìn)行模糊化處理，計(jì)算各傳感器對(duì)不同狀態(tài)的隸屬度，輸出最大隸屬度的狀態(tài)，實(shí)現(xiàn)傳感器不同狀態(tài)的量化；（2）在特征層根據(jù)各傳感器狀態(tài)對(duì)各條件的隸屬度，分別通過(guò)模糊推理計(jì)算出角度傳感器與足底壓力傳感器對(duì)應(yīng)每個(gè)轉(zhuǎn)移條件的強(qiáng)度；（3）根據(jù)不同類(lèi)型傳感器對(duì)不同條件的強(qiáng)弱屬性進(jìn)行加權(quán)融合，篩選出具有最高強(qiáng)度的激活條件，實(shí)現(xiàn)狀態(tài)的轉(zhuǎn)移。而當(dāng)步態(tài)識(shí)別系統(tǒng)處于標(biāo)志性步態(tài)的狀態(tài)下時(shí)，因?yàn)槿梭w的步態(tài)是連續(xù)依次變化的，故只需要計(jì)算轉(zhuǎn)移到下個(gè)步態(tài)的條件是否滿(mǎn)足閾值，即可完成狀態(tài)的轉(zhuǎn)移。

在融合過(guò)程中采用的模糊推理規(guī)則為：

其中Ai，Bj，…為不同輸入模糊化后得到的不同狀態(tài)，Rp為解模糊化后輸出的不同狀態(tài)。

在確定傳感器狀態(tài)中運(yùn)用的模糊計(jì)算方法為：

其中，μAi，μBj為傳感器信息的數(shù)值及變化率對(duì)不同狀態(tài)的隸屬度采用乘運(yùn)算得到傳感器采用乘運(yùn)算得到傳感器對(duì)應(yīng)狀態(tài)的隸屬度μRP。

在確定兩種類(lèi)型傳感器對(duì)應(yīng)各轉(zhuǎn)移條件的強(qiáng)度的模糊計(jì)算方法為：

該計(jì)算中，μAi，μBj…為各傳感器狀態(tài)對(duì)不同轉(zhuǎn)移條件的隸屬度滋RP，采用加權(quán)運(yùn)算得到各角度傳感器與各足底壓力傳感器融合后的對(duì)不同轉(zhuǎn)移條件的隸屬度。最后針對(duì)支撐狀態(tài)與擺動(dòng)狀態(tài)，主要倚靠傳感器類(lèi)型不同，將兩者得出的條件隸屬度再一次加權(quán)融合，得到最后各條件的強(qiáng)度。各模糊推理過(guò)程的解模糊方法均采用的是最大隸屬度輸出的方法。根據(jù)以上融合推理過(guò)程，最終得到行走過(guò)程中不同步態(tài)的連續(xù)有效的識(shí)別。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的步態(tài)識(shí)別方法，本文采用步態(tài)傳感器系統(tǒng)針對(duì)身高1.75m,體重65kg的男性進(jìn)行步態(tài)實(shí)驗(yàn)，分別采集2.4km/h、3.6km/h、4.8km/h、6.0km/h四種速率。并采用MATLAB程序進(jìn)行編程，完成數(shù)據(jù)的處理及步態(tài)識(shí)別。圖7所示各速率下的識(shí)別結(jié)果，各圖中出現(xiàn)的短暫的信號(hào)異常是錯(cuò)誤狀態(tài)設(shè)置起了作用，即GE狀態(tài)。

本文采用步態(tài)相位定義中的各步態(tài)占比對(duì)識(shí)別到的結(jié)果進(jìn)行驗(yàn)證。步態(tài)相位定義中，GP1相位占整個(gè)步態(tài)周期的12%，GP2-GP3占38%，GP4占12%，GP5-GP7占38%。本文每個(gè)速度下采用50個(gè)步態(tài)周期進(jìn)行步態(tài)識(shí)別驗(yàn)證，并且對(duì)每個(gè)周期開(kāi)始點(diǎn)進(jìn)行校正，得到各速率狀態(tài)下的準(zhǔn)確率如表2所示。從表中可以看出每種速率下步態(tài)識(shí)別的正確率可以達(dá)到95%左右，其中GP1的正確率隨著速率的增加而減少，其原因可能是速率越快該階段對(duì)地面沖力越大，該階段占步態(tài)周期相應(yīng)縮短；在GP4階段正確率相對(duì)較低，該階段時(shí)間較短且定義較模糊，對(duì)該階段的識(shí)別提出了一定的難度。

圖7 不同速率狀態(tài)下的步態(tài)識(shí)別結(jié)果

表2 不同速率狀態(tài)下步態(tài)識(shí)別準(zhǔn)確率（單位：%）

4 結(jié)語(yǔ)

本文針對(duì)步行狀態(tài)是一系列有次序的運(yùn)動(dòng)及步態(tài)相位劃分界限不完全精確的特性，提出了加入模糊邏輯概念的有限狀態(tài)機(jī)方法對(duì)下肢下肢各關(guān)節(jié)運(yùn)動(dòng)角度信號(hào)及足底分布式壓力信號(hào)進(jìn)行融合步態(tài)識(shí)別。本文通過(guò)大量的實(shí)驗(yàn)樣本作為數(shù)據(jù)支撐，驗(yàn)證了該方法分別在四個(gè)速率下步行的步行模式下都具有極高的準(zhǔn)確率，能夠快速有效地應(yīng)對(duì)步行過(guò)程中速度變換下的步態(tài)識(shí)別。

本文的不足及待深入研究的方向：（1）提出的方法在前足支撐階段的識(shí)別率相對(duì)較低，需要對(duì)特征和規(guī)則進(jìn)行優(yōu)化。（2）傳感器系統(tǒng)提供的信息較多，在下一步工作中，可以考慮識(shí)別更多的步態(tài)信息，或是在減少部分傳感器的基礎(chǔ)上同時(shí)仍能正確識(shí)別出正確的步態(tài)相位。（3）增加更多的識(shí)別動(dòng)作，如跑步、上下樓梯、下蹲等。

[1]StrausserK A，Kazerooni H.The Development and Testing of a Human Machine Interface for a Mobile Medical Exoskeleton[C].2011 IEEE International Conference on Intelligent Robots and Systems.San Francisco，CA，USA:2011.

[2]Domen Novak，Robert Riener.A Survey of Sensor Fusion Methods in Wearable Robotics[J].Robotics and Autonomous Systems，November 2015，Vol.73:155-170.

[3]J.L.Collinger，B.Wodlinger，J.E.Downey，etc.High-performance Neuroprosthetic Control by an Individual with Tetraplegia[J].The Lancet，2013，Vol.381:557-564.

[4]C.Fleischer，G.Hommel.A Human-exoskeleton Interface Utilizing Electromyography[J].IEEE Transactions on Robot，2008，Vol.24（4）:872-882.

[5]Hiroaki Kawainoto，Siiwoong Lee，Shigehiro Kanbe，etc.Power Assist Method for HAL-3 using EMG-based Feedback Controller[C]// IEEE International Conference on Systems，Man and Cybernetics.Washington，USA:2003.

[6]Andrew Chu，H.Kazerooni，Adam Zoss.On the Biomimetic Design of the Berkeley Lower Extremity Exoskeleton（BLEEX）[C]//IEEE International Conference on Robotics and Automation.Barcelona，Spain:2005.

[7]Lihua Huang，John Ryan Steger，H.Kazerooni.Hybrid Control of the Berkeley Lower Extremity Exoskeleton（BLEEX）[C]//2005 ASME International Mechanical Engineering Congress and Exposition.Orlando，F(xiàn)lorida USA:2005.

[8]Savelberga H，A.L.H.de Langec，Assessment of the Horizontal，F(xiàn)ore-aft Component of the Ground Reaction Force from Insole Pressure Patterns by Using Artificial Neural Networks[J].Clinical Biomechanics，1999，Vol.14（8）:585-592.

[9]I.P.I.Pappas，T.Keller，S.Mangold，etc.A Reliable Gyroscope-Based Gait-Phase Detection Sensor Embedded in a Shoe Insole[J]. IEEE Sensors Journal，2004，vol.4（2）:268-274.

[10]Milica Djuric.Automatic Recognition of Gait Phases from Accelerations of Leg Segments[C].9th Symposium on Neural Network Applications in Electrical Engineering Belgrade，Serbia:2008.

[11]高增桂，孫守遷，張克俊等.面向外骨骼機(jī)器人人機(jī)交互的步態(tài)數(shù)據(jù)獲取系統(tǒng)及識(shí)別模型[J].計(jì)算機(jī)科學(xué)，2014，41（10）：42-49.

[12]J.Rose，J.G.Gamble.Human Walking[M].2nd ed.Baltimore:Williams&Wilkins，1994.

Research on Gait Recognition Based on Multi-Sensor Fusion

ZHOU Jie

（College of Electrical Engineering，Southwest Jiaotong University，Chengdu 262500）

Accurate gait phase recognition is the premise and foundation for lower extremity exoskeleton robot motion intention judging and control strategy formulating.Through the human lower limb motion information detection system,gets the lower limb joint motion angle and plan-tar distributed pressure,and extracts effective signal features based on the analysis of kinematic gait.According to the characteristics of gait's inaccurate order and limit by normal walking,puts forward a finite state machine method combined of fuzzy logic to realize gait recognition,which fusing multi-sensor information for the motion signals provided by the lower limb sensor system.Experimental results proved this algorithm can achieve effective and accurate gait recognition on the four walking rates of 2.4km/h,3.6km/h,4.8km/h and 6.0km/h.

Gait Recognition；Joint Movement Angle;Fuzzy Logic;Finite State Machine;Sensor Fusion

1007-1423（2016）08-0040-06

10.3969/j.issn.1007-1423.2016.08.008

2015-03-01

2016-03-10

周潔（1990～），女，江蘇省南京人，碩士研究生，研究方向?yàn)橄轮夤趋罊C(jī)器人、數(shù)據(jù)分析與識(shí)別