一種基于聚類分析的自適應(yīng)步態(tài)檢測方法

姜 鳴，趙紅宇，劉學良

(1.東莞理工學院 電子工程和智能化學院，廣東 東莞523808；2.大連理工大學 控制科學與工程學院，遼寧 大連116024)

一種基于聚類分析的自適應(yīng)步態(tài)檢測方法

姜 鳴1，趙紅宇2，劉學良1

(1.東莞理工學院 電子工程和智能化學院，廣東 東莞523808；2.大連理工大學 控制科學與工程學院，遼寧 大連116024)

提出一種基于K-中心點聚類算法的自適應(yīng)步態(tài)檢測方法，檢測不同步態(tài)參數(shù)及其耦合關(guān)系.所提方法在現(xiàn)有檢測方法的基礎(chǔ)上增加了步態(tài)精細劃分環(huán)節(jié)，提高步態(tài)檢測結(jié)果的正確性和有效性.實驗結(jié)果顯示，在較大步態(tài)參數(shù)空間內(nèi)，采用所提檢測方法可將步數(shù)估計的精度從現(xiàn)有方法的46.16%～53.22%提高到76.13%.

步態(tài)檢測；聚類分析；步行周期劃分；自適應(yīng)參數(shù)；慣性測量

0 引言

在醫(yī)療康復等領(lǐng)域中，步長、步寬、步高、步頻、步速、足偏角、趾屈角、背屈角，以及各步態(tài)時相的時長、比例等均是重要的步態(tài)參數(shù).步態(tài)檢測的基本功能是檢測步態(tài)周期中的支撐相，即腳底與地面接觸的靜止時間段.支撐相檢測是步態(tài)分析的基礎(chǔ)和前提，在支撐相內(nèi)，腳底對地面的絕對速度為零，這一信息可以被零速修正(Zero Velocity Updates，簡稱ZUPT)方法加以利用，為步態(tài)分析提供更加精確的量化指標.

近年來，隨著MEMS傳感器的體積不斷減小、成本不斷降低，涌現(xiàn)出了許多基于MEMS慣性傳感器的步態(tài)分析方法[1].現(xiàn)有的基于慣性技術(shù)的步態(tài)檢測方法[2-5]，沒有充分合理地考慮測量值波動對步態(tài)檢測的影響，檢測結(jié)果易受測量值波動和檢測參數(shù)設(shè)置的影響，不足以準確無誤地檢測出每個步態(tài)周期中的支撐相，且檢測參數(shù)手動修改、單獨調(diào)節(jié)，主觀性較強，靈活性較差.在實際使用中，往往會由于方法設(shè)計不合理或參數(shù)設(shè)置不合適，造成支撐相的誤檢測，引入不同程度的估計誤差，降低步態(tài)分析系統(tǒng)的精度.

筆者基于無線傳感器網(wǎng)絡(luò)平臺[6]，研究了將MEMS慣性傳感器安裝于腳部的步態(tài)檢測技術(shù).安裝于腳部的慣性傳感器可以感知腳部與地面的每次觸碰和隨后的支撐相，其測得的加速度和角速度數(shù)據(jù)的周期特性與腳部運動完全同步.為提高步態(tài)檢測結(jié)果的正確性和有效性，筆者提出了一種基于聚類分析的自適應(yīng)步態(tài)檢測方法，在現(xiàn)有檢測方法的基礎(chǔ)上增加了步態(tài)精細劃分環(huán)節(jié)，能夠提高步態(tài)檢測結(jié)果對用戶、環(huán)境、步速和步態(tài)變化的適應(yīng)能力.

1 步態(tài)周期劃分

步態(tài)周期劃分方法如圖1所示.在圖1中，一個完整的單足步態(tài)周期被劃分為支撐相和擺動相，支撐相約占整個步態(tài)周期60%[7].本文檢測方法主要檢測單腿支撐時間，為利用支撐相內(nèi)步速為零的信息，認為支撐相占步態(tài)周期30%的時間[8].只要腳的任意部分尚未接觸地面或者已經(jīng)離開地面，便認為當前時刻步態(tài)處于擺動相.

圖1 本文步態(tài)周期劃分方式Fig.1 Common way of dividing a gait cycle

圖2 慣性數(shù)據(jù)及相應(yīng)的步態(tài)事件和步態(tài)時相Fig.2 Inertial measurements with corresponding gait events and gait phases

理論上支撐相內(nèi)角速度和線速度均為零，但實際上由于傳感器的測量誤差，使得實際測量值在各期望值附近波動，如圖2所示.慣性傳感器測得的加速度和角速度數(shù)據(jù)表現(xiàn)出與腳部運動同步的周期特性，每個人都有自己獨特的步態(tài)特征[5, 9]，如圖2中所示步頻約100步/min，支撐相時長約0.37 s，占整個步態(tài)周期的比例約31%.

2 基于慣性技術(shù)的步態(tài)檢測

2.1 檢測統(tǒng)計量計算

現(xiàn)有的基于慣性技術(shù)的步態(tài)檢測方法主要利用慣性傳感器的測量值檢測步態(tài)周期中的支撐相.支撐相檢測可以視為一個模式識別的過程，待識別的模式滿足如下兩個條件：

式中，b表示載體坐標系;k表示采樣時間;ab表示加速度計的測量值；ωb表示陀螺儀的測量值；g表示重力加速度大?。弧ぁ硎鞠蛄康亩稊?shù).

根據(jù)步態(tài)事件的檢測原理，可以將步態(tài)檢測方法劃分為三類：峰值檢測[10]、過零檢測[11]和平區(qū)檢測[7].采用平區(qū)檢測方法來進行步態(tài)檢測.根據(jù)數(shù)據(jù)來源不同，同時考慮到環(huán)境的復雜性和步態(tài)的多樣性，筆者采用基于加速度和角速度數(shù)據(jù)的步態(tài)檢測方法.令向量zk表示慣性傳感器的測量值，如公式(1)所示：

(1)

式中，(·)T和[·]T表示向量的轉(zhuǎn)置.令Sk表示k時刻用于進行步態(tài)檢測的統(tǒng)計量，由公式(2)計算獲得

(2)

2.2 測量值波動分析

現(xiàn)有步態(tài)檢測方法通常只采用一個檢測閾值Tb，檢測過程為標準兩步法[2-3].該方法由于沒有考慮測量值波動對檢測結(jié)果的影響，容易造成支撐相的誤檢測.以一次直線行走實驗為例，采用單一檢測閾值進行步態(tài)檢測，檢測結(jié)果如圖3所示.

圖3 支撐相的誤檢測Fig.3 False detection of the stance phases

由于測量值局部下行波動而誘發(fā)的偽支撐相往往持續(xù)時間較短，現(xiàn)有研究通常在單一檢測閾值的基礎(chǔ)上增加了一個預(yù)設(shè)時間閾值Tl，對單一檢測閾值的檢測結(jié)果進行驗證[4-5]，所有持續(xù)時間小于Tl的支撐相均視為偽支撐相.但是該方法容易將所有的短支撐相刪除，使得檢測結(jié)果易受測量值波動和檢測參數(shù)選取的影響，造成檢測結(jié)果的不準確.

3 基于聚類分析的步態(tài)檢測

3.1 自適應(yīng)檢測過程

步態(tài)檢測有3個檢測參數(shù)需要調(diào)節(jié)：窗口大小W、檢測閾值Td、時間閾值Tl.現(xiàn)有步態(tài)檢測方法中，閾值參數(shù)均需要手動調(diào)節(jié)，容易造成檢測誤差.筆者提出了一種基于聚類分析的自適應(yīng)步態(tài)檢測方法，能夠?qū)y量值波動和對檢測參數(shù)的變化適應(yīng)性調(diào)整.本文檢測方法分為粗略劃分階段和精細劃分階段，選用對孤立點不敏感的K-中心點聚類算法區(qū)分步態(tài)分割結(jié)果的真?zhèn)危疚姆椒ǖ慕Y(jié)構(gòu)如圖4所示.

圖4 自適應(yīng)步態(tài)檢測方法的結(jié)構(gòu)框圖Fig.4 Block diagram of the adaptive gait detection method

筆者方法在粗略劃分的基礎(chǔ)上增加了精細劃分的過程，在對支撐相進行劃分之前增加了對擺動相精細劃分的環(huán)節(jié).在精細劃分階段，通過采用K-中心點聚類，將粗略劃分結(jié)果自動劃分為真?zhèn)蝺深悾詣荧@取閾值參數(shù).

3.2 自適應(yīng)參數(shù)選取

以直線行走實驗為例，支撐相精細劃分結(jié)果如圖5所示.圖5中給出了真支撐相的最小時長和偽支撐相的最大時長，時間閾值Tl可以設(shè)置為這兩個極值之間的值.

圖5 支撐相的精劃分Fig.5 Classification of the raw stance phases

基于聚類算法的支撐相劃分方法是局部搜索算法，所產(chǎn)生的修正閾值是局部動態(tài)閾值Tl，對步態(tài)變化有很強的魯棒性.聚類算法可在沒有任何先驗知識下通過數(shù)據(jù)自身特點，自動地將數(shù)據(jù)劃分到不同的類別中，因此檢測方法具有較高魯棒性.

4 實驗過程和實驗結(jié)果

4.1 實驗數(shù)據(jù)采集

筆者使用慣性測量單元采集步行時的慣性信號，CPU時鐘頻率為1 MHz，使用無線射頻芯片CC2420將采集到的數(shù)據(jù)通過2.4 GHz無線信道傳回PC端.慣性測量單元包括3軸加速度計(LIS344ALH)和3個單軸陀螺儀(LY530AL).實驗采集6名志愿者(3男3女)的步態(tài)數(shù)據(jù).圖6所示為某志愿者正常行走時的X軸加速度、Y軸加速度，以及Z軸角速度的信號曲線.

圖6 某志愿者的步態(tài)信號Fig.6 Gait signal from a volunteer

4.2 實驗數(shù)據(jù)分析

以一次75步的水平行走實驗為例對本文提及的3種步態(tài)檢測方法進行了對比，Na和Nd分別為實際行走步數(shù)和檢測到的行走步數(shù)，實驗結(jié)果如圖7、圖8和圖9所示.

圖7 單一檢測閾值法的步數(shù)估計Fig.7 Stride estimates of single detection threshold method

由圖7可見，當采用單一檢測閾值Td時，步態(tài)時相的誤檢測較嚴重，導致檢測到的行走步數(shù)多于實際行走步數(shù)，即Nd>Na.由圖8可見，當增加固定時間閾值Tl時，Tl的取值不同，所獲得的檢測結(jié)果也會不同.本實驗中選取了3個依次遞增的Tl，由圖7可見，較小的Tl不能刪除一些時間較長的偽支撐相，而較大的Tl又刪除了很多短支撐相.因此，該方法不能根據(jù)W和Td的取值變化自適應(yīng)地調(diào)節(jié)Tl，無法正確地消除所有的偽支撐相.

圖8 固定時間閾值法的步數(shù)估計Fig.8 Stride estimates of the fixed time threshold method

圖9 本文所提自適應(yīng)檢測方法的步數(shù)估計Fig.9 Stride estimates of the adaptive detection method

由圖9可見，由于提供了一個自適應(yīng)的時間閾值Tl，本文方法可以根據(jù)參數(shù)空間內(nèi)每一對W和Td的取值，自適應(yīng)地調(diào)節(jié)參數(shù)Tl.

筆者在一個較大檢測參數(shù)空間內(nèi)從步數(shù)估計的角度對實驗結(jié)果進行了統(tǒng)計，如表1所示.評價指標為使得Nd=Na的參數(shù)組合占所有參數(shù)組合的百分比，稱為步數(shù)估計的精確度.

表1 參數(shù)空間內(nèi)步數(shù)估計的精確度

需要注意的是，如果參數(shù)空間選取不同，上表中的數(shù)值會相應(yīng)變化，但依然可表明本文步態(tài)檢測方法的總體性能最優(yōu)，能夠在更大的參數(shù)空間內(nèi)估計出較準確的步態(tài)參數(shù).以上實驗結(jié)果和相關(guān)討論表明，本文的自適應(yīng)步態(tài)檢測方法在存在測量值波動的情況下，估計結(jié)果優(yōu)于現(xiàn)有的采用單一檢測閾值法和增加固定時間閾值的步態(tài)檢測方法.該方法參數(shù)選擇簡單、方便、靈活且魯棒性強，提高了現(xiàn)有步態(tài)檢測方法的精度性、可靠性和魯棒性.

5 結(jié)論

提出了一種基于聚類分析的自適應(yīng)步態(tài)檢測方法，其檢測結(jié)果對測量值的波動和檢測參數(shù)的選取有很強的魯棒性，從而擴大了系統(tǒng)可行的參數(shù)空間，提高了步態(tài)檢測的精確性和可靠性.本文所提的自適應(yīng)步態(tài)檢測方法在康復醫(yī)學、身份識別、跌倒檢測、虛擬現(xiàn)實、行人導航以及雙足機器人姿態(tài)控制等領(lǐng)域有著廣泛的應(yīng)用前景，具有很強的工程應(yīng)用價值.

[1] HENCHOZ Y, SOLDINI N, PEYROT N, et al. Energetics and mechanics of walking in patients with chronic low back pain and healthy matched controls [J]. European journal of applied physiology, 2015, 115(11): 2433-2443.

[2] FISCHER C, SUKUMAR P T, HAZAS M. Tutorial: Implementing a pedestrian tracker using inertial sensors [J]. IEEE pervasive computing, 2013, 12(2): 17-27.

[3] MENG X L, ZHANG Z Q, WU J K, et al. Self-contained pedestrian tracking during normal walking using an inertial/magnetic sensor module [J]. IEEE transactions on biomedical engineering, 2014, 63(3): 892-899.

[4] YUN X P, CALUSDIAN J, BACHMANN E R, et al. Estimation of human foot motion during normal walking using inertial and magnetic sensor measurements [J]. IEEE transactions on instrumentation and measurement, 2012, 61(7): 2059-2072.

[5] GODHA S, LACHAPELLE G. Foot mounted inertial system for pedestrian navigation [J]. Measurement science & technology, 2008, 19(7): 1-9.

[6] 馮冬青, 邢凱麗. 基于能量平衡的無線傳感器網(wǎng)絡(luò)分布式成簇機制 [J]. 鄭州大學學報 (工學版), 2015, 36(3): 6-10.

[7] BEBOK ?zkan, SUSTER M A, RAJGOPAL S, et al. Personal navigation via high-resolution gait-corrected inertial measurement units [J]. IEEE transactions on instrumentation and measurement, 2010, 59(11): 3018-3027.

[8] WANG J S, LIN C W, YANG Y, et al. Walking pattern classification and walking distance estimation algorithms using gait phase information [J]. IEEE transactions on biomedical engineering, 2012, 59(10): 2884-2892.

[9] FOXLIN E. Pedestrian tracking with shoe-mounted inertial sensors [J]. IEEE computer graphics and applications, 2005, 25(6): 38-46.

[10]PRATAMA A R, HIDAYAT R. Smartphone-based pedestrian dead reckoning as an indoor positioning system [C]∥Proceedings of the International Conference on System Engineering and Technology. Bandung, Indonesia：IEEE Press, 2012: 1-6.

[11]YUN X P, BACHMANN E R, MOORE H, et al. Self-contained position tracking of human movement using small inertial/magnetic sensor modules [C]∥IEEE International Conference on Robotics and Automation. Roma, Italy：IEEE Press, 2007: 2526-2533.

An Adaptive Gait Detection Method Based on Clustering Analysis

JIANG Ming1, ZHAO Hongyu2, Liu Xueliang1

(1. School of Electronical Engineering & Intelligentization, Dongguan University of Technology, Dongguan 523808, China; 2. School of Control Science and Engineering, Dalian University of Technology, Dalian 116024, China)

Gait analysis was one of the most focusd research fields in recent several years, and the gait parameters attracted increasing interest in clinical medicine, pedestrian navigation and so on. However, the existing gait detection methods had some shortcomings that prevented their successful use to many practical applications, the detection results of which were very sensitive to measurement fluctuations and detection parameters, and thereby characterized by poor robustness. In this paper, the mutual coupling relationship between different parameters was tested, and an adaptive gait detection method based on clustering analysis was proposed, so as to automatically yield the time heuristic threshold. The experimental results demonstrated the correctness and effectiveness of the method, and the gait detection accuracy over a large parameter space could be improved from 46.16% and 53.22% respectively to 76.13%.

gait detection; clustering analysis; gait phase division; adaptive parameters; inertial measurement

2016-10-20；

2016-12-23

國家自然科學基金資助項目(51407031)；廣東省自然科學基金(2016A030313134)；廣東省高等學?！皠?chuàng)新強校工程”創(chuàng)新項目(2014KQNCX221)；東莞市社會科學發(fā)展項目(2013108101007)

姜鳴(1982— )，男，遼寧沈陽人，東莞理工學院講師，博士，主要從事模式識別和智能系統(tǒng)研究.E-mail:jiangm@dgut.edu.cn.

1671-6833(2017)03-0063-05

TP 29

A

10.3969/j.issn.1671-6833.2017.03.005