結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解能量矩占比和方差貢獻(xiàn)率法的步態(tài)信號(hào)特征向量提取

陳東毅 陳建國 李玉榕

摘 要：步態(tài)即人體走路時(shí)的姿態(tài)，是一種復(fù)雜而有規(guī)律的運(yùn)動(dòng)過程。步態(tài)包含了許多運(yùn)動(dòng)信息，通過采集和分析步態(tài)信息得到的步態(tài)參數(shù)在康復(fù)治療中可以發(fā)揮重要作用。為了對(duì)步態(tài)信息進(jìn)行準(zhǔn)確分類，文中分析了步態(tài)信號(hào)的特性，提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）能量矩占比、方差貢獻(xiàn)率法與BP神經(jīng)網(wǎng)絡(luò)理論相結(jié)合的正常人與患者步態(tài)信號(hào)的特征向量提取和步態(tài)分類的分析方法。首先將步態(tài)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到所需要內(nèi)稟模態(tài)函數(shù)分量（IMF），通過離散采樣點(diǎn)求出包含主要步態(tài)特征信息的各階IMF分量的能量矩占比與方差貢獻(xiàn)率作為特征向量，并以此作為BP神經(jīng)網(wǎng)絡(luò)的輸入，通過BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)步態(tài)進(jìn)行分類。經(jīng)實(shí)驗(yàn)分析該方法能較好地識(shí)別出步態(tài)類型。

關(guān)鍵詞：步態(tài)分類;經(jīng)驗(yàn)?zāi)B(tài)分解;能量矩占比;方差貢獻(xiàn)率;BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP273文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2019）02-00-05

0 引 言

隨著科學(xué)技術(shù)的不斷發(fā)展和生活水平的不斷提高，人們?cè)絹碓街匾曌陨砗图胰说慕】?，?duì)醫(yī)療康復(fù)服務(wù)的需求也不斷增加。目前，腦卒中（腦中風(fēng)）或外傷引起的足下垂患者數(shù)量巨大，需要進(jìn)行康復(fù)治療的需求較大[1]。足下垂患者的步態(tài)與正常人的步態(tài)差異明顯，患者行走極為不便，不正常的步態(tài)容易摔倒，如果在康復(fù)訓(xùn)練時(shí)摔倒會(huì)造成二次中風(fēng)，導(dǎo)致更高的死亡率，所以正常人、患者步態(tài)的正確識(shí)別對(duì)于疾病的預(yù)防與疾病后期的康復(fù)治療具有十分重要的作用[2]。

步態(tài)即為人體走路時(shí)的姿態(tài)，是一種復(fù)雜而有規(guī)律的運(yùn)動(dòng)過程[3]。步態(tài)過程需要神經(jīng)系統(tǒng)、感覺系統(tǒng)和運(yùn)動(dòng)系統(tǒng)相互協(xié)調(diào)，人體的身體健康狀況可以通過行走時(shí)的步態(tài)反映出來[4]。不同的疾病可能會(huì)導(dǎo)致不同的特殊步態(tài)，因此，通過對(duì)步態(tài)的分析，可為臨床診斷疾病提供重要依據(jù)[5]。傳統(tǒng)的人體運(yùn)動(dòng)步態(tài)分析方法已經(jīng)被臨床證明非常有效，但傳統(tǒng)方法主要采用視頻、磁場(chǎng)、超大型仿真平臺(tái)實(shí)現(xiàn)對(duì)人體運(yùn)動(dòng)步態(tài)信息的捕捉及分析[6-7]，這些方法雖然可實(shí)現(xiàn)運(yùn)動(dòng)步態(tài)的分析，但存在受活動(dòng)場(chǎng)所限制且無法滿足實(shí)時(shí)性要求的缺點(diǎn)。

因此采用新方法對(duì)正常人、患者的步態(tài)數(shù)據(jù)進(jìn)行科學(xué)評(píng)估是一項(xiàng)極為迫切的任務(wù)，對(duì)患者的步態(tài)進(jìn)行科學(xué)分析可以協(xié)助康復(fù)治療師幫助患者通過科學(xué)的康復(fù)手段逐步恢復(fù)正常的行走能力，對(duì)于足下垂患者本人和家庭而言具有重要的意義，同時(shí)還會(huì)產(chǎn)生良好的社會(huì)效益。

正常人、足下垂患者的步行過程蘊(yùn)含許多重要的步態(tài)信息，在實(shí)時(shí)變化的步行運(yùn)動(dòng)過程中找到不正常的步態(tài)信息并對(duì)步態(tài)信息進(jìn)行特征提取是步態(tài)分析更是對(duì)足下垂嚴(yán)重程度進(jìn)行科學(xué)評(píng)判的關(guān)鍵所在。本文通過對(duì)基于角速度信號(hào)的步態(tài)信息進(jìn)行分析可知，該角速度信號(hào)是非線性、非平穩(wěn)的信號(hào)[8-11]，可將經(jīng)驗(yàn)?zāi)B(tài)分解法應(yīng)用到健康人與患者步態(tài)信息的特征提取領(lǐng)域中，這是一種新的適合于分析非平穩(wěn)信號(hào)的經(jīng)典方法。經(jīng)驗(yàn)?zāi)B(tài)分解是由美籍華人NordenE.Huang等人提出[12-13]，適合于處理非線性、非平穩(wěn)信號(hào)，具有很高的信噪比，能將復(fù)雜的信號(hào)進(jìn)行分解得到有限個(gè)IMF分量，每個(gè)IMF分量包含原信號(hào)不同時(shí)間尺度下的局部特征信號(hào)。

本文以正常人與患者的步態(tài)信號(hào)作為研究對(duì)象，正常人與患者之間的步態(tài)信號(hào)在某些特定頻帶上會(huì)有比較顯著的差異，采用EMD分解出的IMF分類能量矩占比與方差貢獻(xiàn)率作為步態(tài)信號(hào)的特征向量，能夠準(zhǔn)確提取步態(tài)信號(hào)特征向量，同時(shí)引入BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)步態(tài)信號(hào)進(jìn)行分類，快速準(zhǔn)確地分析、確定步態(tài)信息。

4 經(jīng)驗(yàn)?zāi)B(tài)分解特征向量提取及步態(tài)分類

步態(tài)數(shù)據(jù)的分類流程即角速度信號(hào)的分類流程如圖2所示。

（1）將采集到的角速度信號(hào)進(jìn)行EMD分解;

（2）將得到的各階IMF分量分別計(jì)算能量矩占比與方差貢獻(xiàn)率，并將其作為特征向量;

（3）該特征向量輸入已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類。

分類步驟如下：

（1）將原始角速度信號(hào)進(jìn)行EMD分解，取包含角速度信號(hào)的前n個(gè)IMF分量，本文取前7個(gè)IMF分量;

（2）計(jì)算各階IMF分量的能量矩占比T（i）與方差貢獻(xiàn)率M（i）;

（3）以各階IMF分量的能量矩占比與方差貢獻(xiàn)率為元素構(gòu)造特征向量P：

P=[T1，T2，T3，T4，T5，T6，T7，M1，M2，M3，M4，M5，M6，M7]? （6）

（4）選取BP神經(jīng)網(wǎng)絡(luò)作為分類器，用訓(xùn)練樣本的特征向量訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，確定網(wǎng)絡(luò)參數(shù);

（5）將測(cè)試樣本特征向量輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，以BP神經(jīng)網(wǎng)絡(luò)分類器的輸出確定該樣本的步態(tài)是否正常。

5 實(shí)驗(yàn)結(jié)果分析

5.1 步態(tài)信號(hào)的采集

本文步態(tài)信號(hào)通過穿戴于小腿上的加速度傳感器采集得到，步態(tài)信號(hào)為正常人、患者右腿脛骨前肌側(cè)矢狀面的角速度信號(hào)。人體行走時(shí)的活動(dòng)規(guī)律主要在矢狀面體現(xiàn)，矢狀面角速度為俯仰角，其矢狀面角速度幅值大，變化較均勻，規(guī)律性明顯，易于尋找特征點(diǎn)，故在步態(tài)分類上可以考慮利用矢狀面的角速度數(shù)據(jù)尋找特征向量[22-23]。

本文以Delsys加速度傳感器作為角速度信號(hào)的采集器，加速度傳感器的測(cè)量范圍為1.5～6 g，采樣率為148.1～296.3 S/s。通過結(jié)合相關(guān)醫(yī)學(xué)知識(shí)并在專業(yè)醫(yī)生的指導(dǎo)下分別提取7個(gè)正常人、3個(gè)患者的右腿脛骨前肌矢狀面的角速度信號(hào)，圖3中分別表示其中一個(gè)正常人和患者在正常步行時(shí)矢狀面的角速度信號(hào)。圖4和圖5分別表示正常人、患者角速度信號(hào)經(jīng)過EMD分解后各階IMF分量的時(shí)域分解圖。

比較圖4、圖5可以看出，正常人與患者之間的步態(tài)信息有較為明顯的差異，可以運(yùn)用相應(yīng)算法得到步態(tài)特征參數(shù)對(duì)步態(tài)進(jìn)行分類。

5.2 步態(tài)信號(hào)EMD分解及特征參數(shù)提取

利用式（6）分別計(jì)算正常人、患者經(jīng)過EMD分解出的各階IMF能量矩占比與方差貢獻(xiàn)率，由于信號(hào)中最顯著、最重要的特征信息都包含在前幾階IMF分量中，通過信號(hào)分析可知，該步態(tài)信號(hào)的主要信息集中在前7個(gè)IMF分量上。表1、表2列出了基于IMF能量矩占比與方差貢獻(xiàn)率計(jì)算得到的包含步態(tài)信號(hào)主要信息的特征向量并將其作為BP神經(jīng)網(wǎng)絡(luò)分類器的樣本數(shù)據(jù)。

表1中T（i）（i=1，2，…，7）表示各階IMF分量的能量矩占比，表2中M（i）（i=1，2，…，7）表示各階IMF分量的方差貢獻(xiàn)率，樣本1～7表示正常人，樣本8～10表示患者。

圖6中虛線與實(shí)線分別表示患者樣本8與正常人樣本1各階IMF分量的變化趨勢(shì)，對(duì)比可以看出兩者特征向量的顯著區(qū)別。限于文章篇幅，對(duì)比剩余樣本均可得到上述結(jié)論，所以可通過本文提出的特征向量選取方法進(jìn)行步行狀態(tài)的分類。

5.3 步態(tài)分類

本文采用BP神經(jīng)網(wǎng)絡(luò)分類算法，設(shè)定正常人的步行狀態(tài)為1，患者的步行狀態(tài)為2。通過對(duì)特征向量進(jìn)行分析，選取前4個(gè)正常人、2個(gè)病人的步態(tài)數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練，將剩余樣本作為測(cè)試樣本輸入神經(jīng)網(wǎng)絡(luò)分類器中進(jìn)行步態(tài)分類，分類結(jié)果見表3所列。

本文研究主要從能量總量的角度出發(fā)，采用離散數(shù)據(jù)求能量矩占比與方差貢獻(xiàn)率的方法，簡(jiǎn)化了相對(duì)復(fù)雜的數(shù)學(xué)計(jì)算過程，同時(shí)利用原始數(shù)據(jù)進(jìn)行分析計(jì)算。該方法主要體現(xiàn)了分析計(jì)算快速，具有自適應(yīng)性等特點(diǎn)，經(jīng)實(shí)驗(yàn)分析可知，達(dá)到了預(yù)期的分類效果。

IMF能量矩占比與方差貢獻(xiàn)率和EMD分解相結(jié)合提取步態(tài)信號(hào)特征向量，具有計(jì)算過程相對(duì)較快且穩(wěn)定的特點(diǎn)，將該方法用到步態(tài)信號(hào)特征向量提取領(lǐng)域中，合理結(jié)合BP神經(jīng)網(wǎng)絡(luò)進(jìn)行步態(tài)分類，為今后的步態(tài)快速分類與步態(tài)辨識(shí)提供了一定的理論研究基礎(chǔ)。

6 結(jié) 語

本文采用經(jīng)驗(yàn)?zāi)B(tài)分解法對(duì)步態(tài)信號(hào)進(jìn)行分解，運(yùn)用IMF能量矩占比與方差貢獻(xiàn)率作為表征步態(tài)信號(hào)的特征向量，并以此作為BP神經(jīng)網(wǎng)絡(luò)分類器的輸入向量，該方法能快速方便地得到步態(tài)分類結(jié)果，減小計(jì)算量。實(shí)驗(yàn)結(jié)果表明，該方法能有效提取步態(tài)信號(hào)的特征向量并能正確進(jìn)行步態(tài)分類，對(duì)于后期的步態(tài)辨識(shí)、經(jīng)驗(yàn)?zāi)B(tài)分解提供了一種新的探索與研究方法。

參 考 文 獻(xiàn)

[1]許林海，韓麗雅.功能強(qiáng)化訓(xùn)練結(jié)合肌電生物反饋對(duì)急性腦卒中患者上肢功能的影響[J].中國康復(fù)，2015（3）：185-188.

[2]孟殿懷，勵(lì)建安.功能性電刺激輔助步行設(shè)備的應(yīng)用進(jìn)展[J].中國康復(fù)醫(yī)學(xué)雜志，2012，27（10）：973-976.

[3]李光耀.基于角速度傳感器的人體下肢運(yùn)動(dòng)識(shí)別[D].天津：河北工業(yè)大學(xué)，2013.

[4] KAUR S，SANDHU E R K.A survey on enhanced human iden-tification using gait recognition based on neural network and support vector machine[J].International journal of application or innovation in engineering & management （IJAIEM），2013，2（6）：72-78.

[5]劉榮，黃璐，李少偉，等.基于步態(tài)加速度的步態(tài)分析研究[J].傳感器學(xué)報(bào)，2009，22（6）：893-896.

[6] DEJNABADI H，JOLLES B M，AMINIAN K.A new approach to accurate measurement of uniaxial joint angles based on a combination of accelerometers and gyroscopes[J].Biomedical engineering，2005，52（8）：1478-1484.

[7] YAN L，YUE E L，JIAN H.Gait recognition based on MEMS acce-lerometer[C]// Proceedings of the 10th IEEE International Conference on Signal Processing Signal，2010：1679-1681.

[8] BUSSMANN J B J，VELTINK P H，KOELMA F，et al. Ambu-latory mobility-related activities：the initial phase of the development monitor[J].Eur j phys rehabil med，1995，5（1）：2-7.

[9] SAREMI K，MAREHBIAN J，YAN X，et a1.Reliability and vali-dity of bilateral thigh and foot accelerometry measures of walking in healthy and hemiparetic subjects[J].Neurorehabilitation and neural repair，2006，20（2）：297-305.

[10]章婉霞.步態(tài)監(jiān)測(cè)系統(tǒng)的嵌入式軟件設(shè)計(jì)與實(shí)現(xiàn)[D].大連：大連理工大學(xué)，2013.

[11] AMES B L，REBECCA B M，BRENDAN J B.The use of a single inertial sensor to identify stride，step，and stance durations of running gait[J].Journal of science and medicine in sport，2010，13：270-273.

[12] HUANG N E，SHEN Z，LONG S R，et a1.The empirical mode decomposition and the Hilbert spectrum for nonlinearand non—stationary time serie analysis[J].Proc. R. Soc. Lond.A，1998，45（4）： 903-995.

[13]李天云，趙妍，季小慧. HHT 方法在電力系統(tǒng)故障信號(hào)分析中的應(yīng)用[J].電工技術(shù)學(xué)報(bào)，2005，20（6）：87-91.

[14]于徳介，程軍圣，楊宇.機(jī)械故障診斷的Hilberthuang變換方法[M].北京：科學(xué)出版社，2006.

[15]陳忠，鄭時(shí)雄.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）的齒輪箱齒輪故障診斷技術(shù)研究[J].振動(dòng)工程學(xué)報(bào)，2003，16（2）：229-231.

[16] LOH C H. Application of the empirical mode decomposition-Hilbert spectrum method to identify near-fault ground-motion characteristics and structural responses[J].Bulletin of theseism gical society of America，2001（91）： 1339-1357.

[17]程軍圣.基于Hilbert-Huang變換的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D].長沙：湖南大學(xué)，2005.

[18]莊育鋒，胡曉瑾，翟宇.基于BP神經(jīng)網(wǎng)絡(luò)的微量藥品動(dòng)態(tài)稱重系統(tǒng)非線性補(bǔ)償[J].儀器儀表學(xué)報(bào)，2014，35（8）：1914-1920.

[19]王同旭，馬鴻雁，聶沐晗.電梯用永磁同步電機(jī)BP神經(jīng)網(wǎng)絡(luò)PID調(diào)速控制方法的研究[J].電工技術(shù)學(xué)報(bào)，2015，30（1）：43-47.

[20]程軍圣，羅頌榮，楊斌，等.LMD能量矩和變量預(yù)測(cè)模型模式識(shí)別在軸承故障智能診斷中的應(yīng)用[J].振動(dòng)工程學(xué)報(bào)，2013，26（5）：751-757.

[21]姚剛，趙建軍，姚躍亭，等.基于改進(jìn)EMD方法的系統(tǒng)誤差分離方法研究[J].振動(dòng)與沖擊，2014，33（14）：176-180.

[22] LEE J A，CHO S H，LEE Y J，et a1.Portable activity monitoring system for temporal parameters of gait cycles[J].Journal of medical systems，2010，34（5）：959-966.

[23]黃金蘭.步態(tài)分析及在功能性電刺激中的應(yīng)用[D].福州：福州大學(xué)，2016.