基于分層策略的智能下肢假肢運動意圖識別

夏安琦，何清旋，王可林

(安慶師范大學 數(shù)理學院，安徽 安慶 246133)

0 引 言

智能動力下肢假肢在殘疾人生活中發(fā)揮著越來越重要的作用。[1]它的控制系統(tǒng)分為高層控制器、中層控制器以及底層控制器。整個控制系統(tǒng)的關鍵是高層控制器，主要用來接收輸入信號，并根據(jù)意圖識別算法識別人的運動意圖。[2]近年來，智能下肢假肢的運動意圖識別研究正在火熱進行。隨著科學技術的進步，人民生活水平的提高，可穿戴設備在運動康復工程中得到了迅速發(fā)展與廣泛應用。[3]通過可穿戴的傳感器采集下肢運動的機械信號或肌電信號等進行分析，可對不同的運動模式進行分類，從而識別出殘疾人的運動意圖。由于機械信號具有穩(wěn)定性好、不易被干擾等優(yōu)點，本文使用機械信號傳感器采集數(shù)據(jù)進行意圖識別。

基于機械信號的意圖識別研究中，Young等[4]分析了窗口大小對算法性能的影響，對平地行走、上樓、下樓、上坡和下坡5種穩(wěn)態(tài)模式以及5種穩(wěn)態(tài)模式之間的8種轉換模式的識別率可達到93.9%。Chen等[5]提出一種新的參數(shù)優(yōu)化策略，針對每個相位分別優(yōu)化分類器、特征集和窗口大小，對6種穩(wěn)態(tài)模式的識別率為94.6%。Xu等[6]提出了一個多層次實時車載系統(tǒng)來識別連續(xù)運動模式。設計了一種級聯(lián)分類策略，對站立、平地行走、上樓、下樓、上坡、下坡6種穩(wěn)態(tài)模式以及10種轉換模式的識別率為93.2%。Stolyarov等[7]提出了一種利用集成慣性測量單元(Inertial Measurement Units, IMUs)估計腿部關節(jié)平移運動來預測即將到來的步行任務的新方法，對平地行走等5種穩(wěn)態(tài)運動模式進行識別，平均識別率為94.1%。Zhang等[8]提出了一種魯棒的下肢假肢環(huán)境特征識別系統(tǒng)，通過預測截肢者的運動模式和估計下肢假肢的環(huán)境特征來輔助假肢的控制。將深度傳感器和慣性測量單元相結合，實現(xiàn)了環(huán)境點云的穩(wěn)定。對5種穩(wěn)態(tài)運動模式，識別率為94.9%。Su等[9]分析健側早期擺動階段的IMUs數(shù)據(jù)，并將數(shù)據(jù)輸入卷積神經網絡，用自選擇特征來預測運動意圖，將信號傳遞給假肢來控制其執(zhí)行相應運動模式。對13種運動模式(包含5種穩(wěn)態(tài)模式與8種轉換模式)的平均識別率為94.2%。Gong等[10]提取統(tǒng)計特征，用人工神經網絡對站立、平地行走、上樓、下樓、上坡以及下坡6種穩(wěn)態(tài)模式成功識別，識別率達到98.4%。

上述意圖識別方法研究通過采集機械運動信號，對不同模式進行直接分類，從而控制假肢。目前，國內外相關研究大多數(shù)都為單層直接分類。但若在同一地形下持續(xù)穩(wěn)定的行走，則運動模式是保持不變的，若地形改變，則運動模式會是兩種模式之間的瞬時轉換，與前者具有本質差異。因此，若直接對所有模式進行特征提取與分類，會導致不同模式間的混淆較大，需要加大對模式的類內相似性與類間差異性的利用。基于此，本文對5種穩(wěn)態(tài)模式與8種轉換模式合成的13種運動模式，提出分層策略方法，利用穩(wěn)態(tài)模式與轉換模式的類間差異性，提出幀間相減方法，獲取具有類間差異性的數(shù)據(jù)集，對樣本進行第一步分類。在第一步的基礎上分別對兩大類模式進行再分類，從而完成下肢假肢的運動意圖識別。

1 運動模式的介紹

人體下肢運動具有周期性，由多個步態(tài)周期組成。[11]以模式是否轉變?yōu)橐罁?jù)，可將步態(tài)分為穩(wěn)態(tài)步與轉換步。以雙腳與地面是否接觸為依據(jù)，可將一個步態(tài)周期劃分為兩個階段：支撐相(占60%)與擺動相(占40%)。傳統(tǒng)運動意圖識別方法將傳感器內嵌于智能假肢，因此轉換步定義在患側。本文將傳感器綁定在健側，通過識別健側的運動狀態(tài)，映射出患側的運動意圖。鑒于此，使用文獻[12]的模式定義采集健側擺動相前期數(shù)據(jù)預測運動意圖。

人體運動的基本模式一般包括平地行走、上樓、下樓、上坡以及下坡5種穩(wěn)態(tài)模式。由于上樓到下樓的突然轉換是不可能出現(xiàn)的，中間必然包含過渡階段。因此，5種模式之間的轉換主要包括以下8種：平地行走到上樓，平地行走到下樓，平地行走到上坡，平地行走到下坡，上樓向平地行走，下樓到平地行走，上坡到平地行走，下坡到平地行走。由此，共組成13種運動模式(如表1)。

表1 本文13種運動模式

2 基于分層策略的意圖識別

穩(wěn)態(tài)模式是人體運動最頻繁的基礎運動模式，特點是具有周期性與規(guī)律性[13]，因此前后步態(tài)同頻變化。從數(shù)據(jù)表現(xiàn)上看，以平地行走模式與上樓模式的小腿傳感器單軸加速度為例，前一步態(tài)與后一步態(tài)數(shù)據(jù)變化同步(圖1、圖2)。轉換模式為兩個穩(wěn)態(tài)模式間的過渡模式，過渡期可看做數(shù)據(jù)的突變過程，轉換步與前一步態(tài)不同頻變化。以走到上樓與上樓到走模式小腿傳感器單軸加速度為例，前一步態(tài)與后一步態(tài)數(shù)據(jù)變化不同步(圖3)，與穩(wěn)態(tài)模式相對應的階段呈現(xiàn)出不同的運動姿態(tài)與數(shù)據(jù)表現(xiàn)。

圖1 穩(wěn)態(tài)模式前后步態(tài)小腿的單軸加速度示例(行走)

圖2 穩(wěn)態(tài)模式前后步態(tài)小腿的單軸加速度示例(上樓)

(a)走到上樓模式加速度 (b)上樓到走模式加速度

針對穩(wěn)態(tài)模式與轉換模式數(shù)據(jù)的差異性，提出幀間相減的數(shù)據(jù)獲取方法，提取轉換模式中轉換步的擺動相前期以及前一步態(tài)相同長度的數(shù)據(jù)，對應幀的數(shù)據(jù)相減，得到新的轉換模式數(shù)據(jù)集。對于穩(wěn)態(tài)模式，亦用后一步態(tài)減去前一步態(tài)對應幀數(shù)據(jù)。最終所得數(shù)據(jù)集部分如圖4所示，穩(wěn)態(tài)模式(圖中以行走模式為例)數(shù)據(jù)擬合后走勢較穩(wěn)定，轉換模式(圖中以走到上樓模式為例)數(shù)據(jù)擬合后波動幅度較大，兩類差異明顯，因此可作為后期分類的依據(jù)。

利用類間差異性，將幀間相減之后所得的新的數(shù)據(jù)集用于第一層對于穩(wěn)態(tài)模式與轉換模式的分類。穩(wěn)態(tài)模式的數(shù)據(jù)平穩(wěn)且趨于零，轉換模式的數(shù)據(jù)不為零且有波動，以此為依據(jù)對穩(wěn)態(tài)模式與轉換模式進行二分類。

圖4 穩(wěn)態(tài)與轉換模式處理后的數(shù)據(jù)對比示例

在第一層分類的結果中，識別為穩(wěn)態(tài)模式的樣本包含大部分穩(wěn)態(tài)樣本與少量識別錯誤的轉換樣本，因此對這些樣本重新訓練的模型更具有針對性。將其訓練再細分類為13種模式。對識別為轉換模式的樣本同樣操作。相比于直接對識別為穩(wěn)態(tài)的樣本分5類，對識別為轉換的樣本分8類，既可保持模型的穩(wěn)定性，又可對第一步識別錯誤的樣本提供補償機制，增大重新識別正確的概率，從而提升整體的識別效果。實驗階段將兩種情況作為對比實驗驗證了改進的效果。

在整體策略中，傳統(tǒng)方法將傳感器內嵌于患側，相應轉換步定義在患側，根據(jù)患側在運動模式轉換后產生的數(shù)據(jù)判斷患者的運動意圖，存在一定的滯后性。另外集成在假肢上的生物力學信號反映了假肢的運動信息，不能反映穿戴者本身的運動意圖，在意圖識別中存在著局限性。因此，本文將三個IMUs放在患者的健側大腿、小腿與腳踝處采集數(shù)據(jù)，通過云計算，在患側的運動模式轉換之前進行智能下肢假肢的運動意圖識別。

在云計算過程中涉及信號輸入、數(shù)據(jù)預處理、特征選擇、分類模型訓練、信號輸出過程。從分類模型角度出發(fā)，多從分類器上進行改進，但在針對數(shù)據(jù)集進行分層策略上未有考慮。為使智能下肢假肢幫助患者正常生活，訓練的模型需要具備對一般地形及其轉換的地形具有普適性。穩(wěn)態(tài)模式是始終在同一地形下保持相同運動狀態(tài)的運動模式，轉換模式是由一個地形下初始運動狀態(tài)轉換為另一地形下不同運動狀態(tài)過程中的過渡模式。就地形、步態(tài)、運動狀態(tài)而言，穩(wěn)態(tài)模式與轉換模式具有本質差別，兩者的數(shù)據(jù)形態(tài)亦不同。因此，本文為利用穩(wěn)態(tài)模式與轉換模式的類間差異性，提出分層策略，首先第一層對穩(wěn)態(tài)模式與轉換模式二分類，第二層對第一層的結果進行再分類，流程如圖5所示。

圖5 本文意圖識別方法

3 實驗結果與分析

3.1 實驗設備與方案

實驗共有10名健康受試者(Healthy Volunteers, HV)，基本信息如表2，包括5男5女，年齡為18-30歲，身高是1.55m-1.83m，體重40kg-83kg。受試者模擬殘疾人的13種運動模式，模擬患側為左側，健側為右側，每種運動模式執(zhí)行10遍，共計1300個樣本。

表2 受試者信息

本文使用健側(右側)大腿、小腿、腳踝處3個IMUs(如圖6)分別測得擺動相前期45幀(一個步態(tài)周期約為120-190幀，一個擺動相的范圍約為45-70幀)三軸加速度與三軸角速度數(shù)據(jù)用于研究。每個IMU由一個三軸加速度計和一個三軸陀螺儀構成，采樣頻率為96Hz，每一幀的數(shù)據(jù)包含位移，速度，四元數(shù)，加速度，角速度與兩腳觸地狀態(tài)序列。實驗場景包括一個坡度為10°，長度為6m的斜坡、八節(jié)踏步高度為16cm的樓梯以及足夠大的平地。計算機實驗環(huán)境為Matlab2018b，分類器為SVM。驗證方法為K折交叉驗證 (K-fold Cross Validation, K-CV)評估，K取5。

圖6 實驗設備與環(huán)境

3.2 實驗結果及分析

第一層分類的平均識別率為95.2%，如圖7，轉換模式相比于穩(wěn)態(tài)模式的分類效果更明顯。

第二層分類中，對所有預測標簽為穩(wěn)態(tài)模式的樣本，使用分類器訓練模型進行分類，采用十次五折交叉驗證法所得的平均識別率為96.2%。由圖8的混淆矩陣可見，無走到上樓與走到上坡模式的標簽。表示第一層分類中走到上樓、走到上坡與上樓到走模式的識別率為100%，無分錯情況。觀察圖中樣本數(shù)量分布(正對角線數(shù)據(jù)為正確分類的數(shù)量)，綜合右側真實標簽的正確率與錯誤率，可知模型對穩(wěn)態(tài)模式識別效果較好，每個模式的識別率均高于97.5%。對第一層中識別錯誤的轉換樣本也有一定的矯正作用，如對7個走到下坡轉換模式樣本，可正確分類4個。

第二層分類中，對所有預測標簽為轉換模式的樣本再分類，平均識別率為95.1%，混淆矩陣如圖9。觀察可見，對每個轉換模式的識別率均不低于96.9%，其中上樓到走模式的識別率可達到100%。對于第一層中識別錯誤的相對較大數(shù)量的穩(wěn)態(tài)模式樣本依然具有較明顯的矯正功能，能夠重新識別正確的約為半數(shù)，其中19個下坡模式樣本中有10個正確分類。

對所有樣本的平均識別結果為95.5%。如圖10所示，對每種模式都能基本分類，其中上樓到走全部準確識別，錯誤識別的樣本分布也較為分散。由于姿態(tài)相似性，仍有少量模式之間容易混淆。如下坡到走與下坡，下坡到走的識別率為91%，有7%的樣本錯誤識別為下坡。下坡的識別率為89%，有8%錯誤識別為下坡到走。

設置對比實驗：在第一層分類方法與所有環(huán)境完全相同的情況下，第二層實驗中對識別為穩(wěn)態(tài)的樣本分為5類，對識別為轉換的樣本分為8類。結果對比如表3，對比實驗中第一層識別錯誤的樣本將繼續(xù)識別錯誤，無識別正確的可能，導致最終識別率低于第一層的識別率。本文方法在第二階段對第一層的錯誤樣本有一定的矯正功能，所以最終識別率相對第一層有所提升。

表3 對比實驗與本文實驗的結果對比

4 總結與展望

利用類間差異性，提出對數(shù)據(jù)集進行分層處理。第一層先將模式分為兩大類，提出幀間相減的方法處理數(shù)據(jù)，利用穩(wěn)態(tài)模式與轉換模式的差異性進行分類。第二層按照第一層預測標簽的分類結果將樣本分為兩部分，分別訓練并識別。識別效果較好，且對第一層結果提供補償機制，矯正了部分識別錯誤的樣本。本文方法能基本避免穩(wěn)態(tài)模式與轉換模式之間的混淆，從而提升識別效果，驗證了分層策略的可行性與有效性，為智能下肢假肢的運動意圖識別研究提供新的研究思路。在所有樣本的識別結果中，依然存在少許穩(wěn)態(tài)模式與轉換模式的混淆。在分層策略中，第一層的結果十分關鍵，因此在第一層分類時所使用的重要策略，值得進一步的探究。