肌電和足壓信息融合的外骨骼步態(tài)識別

汪步云,繆 龍,吳 臣,楊 鷗,張 振,許德章

(1.安徽工程大學(xué) 人工智能學(xué)院, 安徽 蕪湖 241000; 2.安徽工程大學(xué) 機械工程學(xué)院, 安徽 蕪湖 241000;3.蕪湖云擎機器人科技有限公司, 安徽 蕪湖 241007)

0 引言

隨著人口老齡化情況加劇及下肢運動功能障礙患者數(shù)量激增[1],下肢外骨骼機器人越來越多地被應(yīng)用于運動障礙患者的康復(fù)治療及助老助行[2]。目前,國外的HAL、ReWalk,Ekso及國內(nèi)的AutoLEE-Ⅱ、東南大學(xué)的繩驅(qū)膝關(guān)節(jié)外骨骼等有源性外骨骼通過主動對人體髖、膝關(guān)節(jié)提供適當(dāng)輔助力矩并有效糾正人體步態(tài),達到外骨骼助行的目的[3-7]。此外,外骨骼機器人在步態(tài)康復(fù)訓(xùn)練上得到了實際應(yīng)用,可實現(xiàn)訓(xùn)練過程中的數(shù)據(jù)檢測,并以可控、可重復(fù)的方式幫助康復(fù)的量化評估。目前,對于外骨骼機器人,能否精準(zhǔn)識別出人體下肢運動意圖是人機交互和安全助行的前提[8]。

針對步態(tài)識別,國內(nèi)外一些學(xué)者開展了相關(guān)研究。Chenyao Zhu等[9]利用慣性測量單元和多類支持向量機,提出了一種新型的多自由度踝關(guān)節(jié)-足部連續(xù)運動人機交互識別穿戴系統(tǒng),其通用模型在14.1±4.5 ms的預(yù)測時間內(nèi)達到了85.3%±7.89%的總體準(zhǔn)確度。Gao等[10]將表面肌電信號進行降噪處理,提取了5種特征,以人工蜂群算法優(yōu)化支持向量機識別步態(tài),將支持向量機的平均識別率提高了3.18%并增加了識別的穩(wěn)定性。Kyeong等[11]分別采用支持向量機(SVM)和線性判別分析(LDA)模型,僅使用表面肌電信號對行走環(huán)境進行分類,準(zhǔn)確率分別為79.1%和76.3%。上述取得了有意義的研究成果,但是基于單一傳感器信號的步態(tài)識別會受到許多條件限制。機械傳感器能夠有效采集人體運動學(xué)信息,提升人體步態(tài)識別率,但數(shù)據(jù)的采集與傳輸滯后明顯[11]。生物信號雖然能較好地用于預(yù)測人體步態(tài),但是信號采集易受外界干擾且處理復(fù)雜,如表面肌電信號的噪聲大且由于肌肉疲勞和皮膚干燥程度的影響,信號可能會發(fā)生變化[12-13]。

針對上述問題,本研究中首先構(gòu)建了基于肌電和足壓信號的多傳感器信息采集平臺,通過降噪、特征值提取等方法對各信號進行預(yù)處理;其次,針對單一信號的步態(tài)識別的受限問題,利用生理學(xué)和運動學(xué)信息建立了SVM-FCM融合算法,在決策級上融合足壓和肌電信息,以提升步態(tài)識別效率;最后,開展了人機協(xié)同助行實驗研究,驗證了步態(tài)識別方法的有效性及可行性。

1 多傳感器信息平臺構(gòu)建及信號預(yù)處理

1.1 人體下肢結(jié)構(gòu)與步態(tài)特征分析

人體下肢包含髖膝踝3個關(guān)節(jié),其主要的功能是實現(xiàn)關(guān)節(jié)驅(qū)動下肢運動[14],如圖1(a)所示,人體下肢基本運動平面包含矢狀面、冠狀面、水平面,分別對應(yīng)了矢狀軸、冠狀軸和水平軸。

步態(tài)是人體下肢運動過程的基本行為特征。正常步態(tài)表現(xiàn)為規(guī)律性與協(xié)調(diào)性的統(tǒng)一,使人體運動保持穩(wěn)定。步態(tài)分析是表征人體運動過程的重要手段。如圖1(b)所示,按單側(cè)腿相位,一個步態(tài)周期可以劃分為彈起相、擺動相、觸地相和支撐相,約占步態(tài)周期的10%、40%、10%和40%。

1.2 多傳感器信息檢測平臺構(gòu)建

構(gòu)建基于肌電和足底壓力信號的多傳感器信息檢測平臺,可實現(xiàn)多模態(tài)信息融合,提升人機步態(tài)識別的效果。

如圖1(a)所示,肌電信號采集裝置采用Biometric表面肌電信號無線傳感器(LE230)。LE230有2個電極,對同一塊肌肉展開測試,2個電極之間的電壓差值作為輸出的信號值,采集頻寬20～480 Hz,放大增益為1 000。LE230傳感器與DG2無線接收器、Data LITE系統(tǒng)等配合使用,實現(xiàn)肌電信號的無線采集。

如圖1(a)所示,足壓信息檢測采用課題組研制的鞋墊式足底壓力傳感器[15]。該裝置在對應(yīng)足部的拇指、第1跖骨、第5跖骨和足跟區(qū)域分別放置FSR402電阻式薄膜壓力傳感器,用以感知足底壓力。根據(jù)所設(shè)計的電壓跟隨器采集電路,將信息采集電路的前、后端分開,提升足壓信息采集的準(zhǔn)確性與抗干擾能力。各通道足底壓力信號通過嵌入式單片機處理數(shù)據(jù)并實現(xiàn)無線傳輸。

圖1 人體運動基本平面、步態(tài)周期分析及傳感器檢測平臺構(gòu)建

1.3 肌電信號預(yù)處理

肌電信號易受噪聲干擾,為便于特征提取,提供有效的實驗數(shù)據(jù),需對采集的肌電信號進行預(yù)處理。肌電信號預(yù)處理步驟如下:信號降噪、閾值分解、特征值提取及降維。

根據(jù)下肢肌肉的運動功能和特點,以及肌電傳感器使用的難易程度,選擇腓腸肌作為最初的肌電信號源[16]。肌電信號采樣頻率為1 000 Hz,采集時長6 s。將含有噪聲的肌電信號表達為

Yt=Xt+et,t=1,2,…,n

(1)

式(1)中:Yt為原始肌電信號;Xt為不含噪聲的肌電信號;et為噪聲信號。運用移動均值濾波算法對原始肌電信號做預(yù)處理[17],選取窗口值T=10,信號更平滑,濾波效果更好,為下文更準(zhǔn)確地提取肌電信號變化及特征閾值提供數(shù)據(jù)基礎(chǔ)。具體表達為

(2)

式(2)中:Ys為第i個信號值的平均值;T為鄰域范圍。

從肌電信號采集的角度看,一個完整的步態(tài)包含運動段和非運動段。運動段為下肢肢體運動時產(chǎn)生的生理電信號,平均幅值較高,非運動段信號為肢體放松時產(chǎn)生的電信號,平均幅值低。因此,必然存在一個合適閾值,可有效判別這2種狀態(tài)。定義提取尖峰的閾值Th,其閾值提取公式為[18]

(3)

式(3)中:Xt為濾波后的肌電信號;n為肌電信息序號;α為一般經(jīng)驗常數(shù),范圍為1.5～2.5,此處取值1.5。記肌電信號閾值左邊第3個采樣點起,到閾值右邊的3個采樣點止,共計7個采樣點數(shù)據(jù)為一個運動狀態(tài)單元序列,一個運動單元序列Xseq表示為

Xseq=[xi-3,…,xi,…,xi+3]

(4)

依據(jù)閾值的大小對肌電信號進行分解處理,將處理后的肌電信號按照運動單元和原有所在位置重新排列組合,形成一組新的包含全部運動單元序列的肌電信號。具體表達為:

X=(Xseq1,Xseq2,…,Xseqn)

(5)

(6)

結(jié)合圖2及表1,獲得圖1(c)中單步態(tài)周期內(nèi)的肌電運動單元序列的具體步驟:

1) 如圖2(a)所示,結(jié)合式(2),原始肌電原始信號進行信號降噪獲得濾波后的肌電信號。

2) 如圖2(b)所示,結(jié)合式(3)及表1,濾波后的肌電信號通過各相位尖峰閾值Th曲線進行閾值分解,獲得肌電尖峰電位。

3) 如圖2(b)所示,結(jié)合式(4)及式(5),肌電尖峰電位經(jīng)過沖排列,獲得了單各步態(tài)周期中包含所有運動單元序列的肌電信號。

圖2 肌電信號預(yù)處理

表1 各相位尖峰閾值Th數(shù)值表

肌電信號閾值分解后,采用滑動窗口法分別提取絕對均值(MAV),方差(VAR),均方根(RMS),中值頻率(MF) 和平均功率頻率(MPF)5種特征值。每滑動一個步長,得到一個新的窗口數(shù)據(jù)。其中,數(shù)據(jù)窗tc長度取20 ms,步長lc設(shè)定為10 ms,利用上述時域頻域特征提取方法構(gòu)建特征樣本矩陣φc,如式(6)所示。w代表時間窗的個數(shù),m=5,代表特征值提取的種類。矩陣φc是一個五維數(shù)據(jù)矩陣。當(dāng)矩陣維數(shù)較高,會增加運動識別難度和運算解算速度。因此,需要對肌電信號特征矩陣做降維處理[17]。PCA是一種通過簡化數(shù)據(jù)集突出主要變量的多元統(tǒng)計分析方法[19],通過保留數(shù)據(jù)中的主要成分,忽略數(shù)據(jù)中的次要成分,達到降維效果,即將肌電信號特征值矩陣φc從m×w降為k×w,(m>w)。

主成分貢獻率及累計貢獻率決定降維后矩陣維數(shù)。貢獻率ηi取值越大,則其對應(yīng)的第i個主成分,表達原始信息的能力更強。若累計貢獻率η取值在95%以上時,意味著主要信息得以保留,則往后的主成分可忽略。經(jīng)PCA降維得到的主成分累計貢獻率,如表2所示。從表2中可以看出,選用前3個主成分,肌電信號的主要信息能被表達,其所對應(yīng)的前3個分離向量為肌電信號數(shù)據(jù)中的特征信息,提取分離出的主要特征向量Xc=(x1,x2,x3)。其中,x1、x2及x3依次代表絕對均值(MAV),方差(VAR),均方根(RMS)。

表2 肌電信息及累計信息貢獻率

1.4 足壓信號預(yù)處理

針對足壓信號的特征提取,在課題組研究基礎(chǔ)上,進一步開展相關(guān)工作[15]?？紤]到FSR402壓敏電阻的閾值特性,當(dāng)足底壓電信號大于1.3 V時,可視為對應(yīng)通道傳感器處于激活狀態(tài)。設(shè)壓敏電阻通道激活時,信號標(biāo)志位為1;反之,為非激活狀態(tài)時,信號標(biāo)志位為0。如圖1(c)所示,可以看出在各個步態(tài)相位,足底壓力信號與肌電信號的對應(yīng)情況。

結(jié)合圖3,獲得圖1(c)中單步態(tài)周期內(nèi)的足壓信號通道激活情況的具體步驟如下:

1) 如圖3(c)所示,結(jié)合圖3(a)、圖3(b)、式(7)及式(8),從原始足底壓電信號中截取單個步態(tài)周期內(nèi)的信號通過信號分離模型獲得各足壓通道的壓電信號。

2) 如圖1(c)所示,結(jié)合圖3(c)及FSR402壓敏電阻的閾值特性,對各通道壓電信號進行閾值分解獲得各信號通道激活情況。

足底壓力實際采樣點信號如圖3(a)所示。由于足底壓力檢測傳感器采用的是FSR402壓敏電阻,其壓敏特性是非線性的,且單個傳感器與足部間的接觸壓力受穿戴松緊、摩擦等多種因素影響,采集到的信號含有大量噪聲。為了從足底壓力信息中提取相應(yīng)步態(tài)特征,需要對足壓信息進行數(shù)學(xué)建模分析,所建立的模型如圖3(b)所示。

圖3(b)中S(t)為足底壓力原始信息,設(shè)足底壓力傳感器采集信號的通道數(shù)為n,X(t)為傳感器實測數(shù)據(jù),設(shè)步態(tài)特征信號數(shù)量為r,N(t)為噪聲干擾,Y(t)為待求解的足壓分離特征信號。足壓信息模型對應(yīng)的矩陣表達式如下

X(t)=AS(t)+N(t)=W[S(t)+N(t)]

(7)

依據(jù)實際測量數(shù)據(jù)X(t)進行步態(tài)特征信息的估計,即有Y(t)≈S(t)。進一步對特征信號分析求解,表達式為

Y(t)≈S(t)=φ(X(t))=φ(x1(t),…,xn(t))

(8)

易知A為n×r的信號混合矩陣,W為分離矩陣,實現(xiàn)特征信號的求解分離。由式(7)的結(jié)果可知,W應(yīng)滿足以下關(guān)系

(9)

式(9)中:分離矩陣與信號混合矩陣互逆,并且與信號干擾矩陣相乘為零陣,若A與N(t)的信息矩陣均為未知的,則無法利用式(9)求解分析。通常,求解分離矩陣W需要構(gòu)造代價函數(shù),并利用優(yōu)化算法求解代價函數(shù)的極值。但是,實際采集的足壓信號呈非負性,噪聲干擾難以完全濾除,以及壓力傳感器在足底陣列排布的不規(guī)則性難以滿足代價函數(shù)的假設(shè)條件。在考慮不引入分離矩陣W的前提下,從原始足壓數(shù)據(jù)中直接分解,提取待求的特征信息。

圖3 足壓信號及通道激活情況

設(shè)足底單傳感器采集的壓力信息為Xij(i=1,2,…,m;j=1,2,…,n),i為傳感器的個數(shù),m=4,j為采樣次數(shù),n為總的采樣次數(shù)。采集到的足壓信息構(gòu)成矩陣為

(10)

矩陣X為非方陣(m

(11)

式(11)中:σi為矩陣X的奇異值,按從大到小的順序進行排列為σ1≥σ2≥…≥σn;U為X的左奇異矩陣,VT為X的右奇異矩陣,均為正交陣。求解過程為:

(12)

對方陣XXT與XTX的特征分解,其奇異值為相應(yīng)特征值的平方根。方陣XXT與X的協(xié)方差矩陣C存在如下關(guān)系

(13)

上述矩陣中的列向量分別對應(yīng)各個足壓傳感器的采樣數(shù)據(jù),以式(13)按列向量交叉融合后,得到協(xié)方差矩陣C,對其特征分解得到左奇異矩陣U,其中的向量u1,u2,…,un,必然包含足壓信息的特征值和干擾噪聲。

由SVD的特點可知,特征向量的值與其對應(yīng)的奇異值大小成正比[20]。包含信息量較大的視為特征信息,反之則視為干擾項。式(11)的具體的分離形式如式(14)所示,前r(r

(14)

(15)

式(14)、式(15)中:以矩陣的F范數(shù)表示信息所占比重的大小,σr為前r項的信息量,σi為總的信息量,二者比值即為信息比重α,需大于閾值αTh。依據(jù)上一小節(jié)中PCA降維的設(shè)定,α≥0.95時,認為對應(yīng)的特征向量基本包含了有用信息。隨機選取一組足底壓力數(shù)據(jù),按上述方法進行求解并做出主成分分析后得表3。從表3中可以得出結(jié)論,前3個奇異值的累計信息比重為98.484%,此時其所對應(yīng)的前3個分離向量為將要提取的有效特征信息,可得其對應(yīng)的特征向量Xd= (u1,u2,u3)。其中,u1、u2及u3依次分別表示足壓信號通道FSR1、FSR2及FSR4的信號電壓。

表3 足壓信息和累計信息比例表

2 基于SVM-FCM算法的步態(tài)識別

2.1 基于SVM的步態(tài)相位識別方法

SVM的步態(tài)相位識別的核心思想是將非線性數(shù)據(jù)映射到高維線性空間,使樣本間的間距最大,并用分類線或者是分類超平面,把2類樣本分離開,達到分類效果[21]。

給定樣本集和分類標(biāo)簽X={X1,…,XN},y={y1,…,yN},其中樣本集的每個樣本包含多個特征向量Xi={x1,…,xN}分類標(biāo)簽y∈{1,-1}分別表示正類和負類。從而求出一個最優(yōu)超平面wTX+b=0將2種類別正確分開。針對表面肌電等非線性可分信號,常引入徑向基核函數(shù)(radial basis function,RBF)進行替換,以解決樣本線性可分的問題。徑向基核函數(shù)為

(16)

最優(yōu)分類超平面可表示為

(17)

式(17)中:αi是拉格朗日因子。

由于肌電信息與步態(tài)相位是動態(tài)關(guān)聯(lián)的,所采集的肌電需要根據(jù)步態(tài)信息完成多分類。支持向量機SVM (support vector machine)一般通過建立多個二分類問題以達到多分類效果,進而完成多相位的步態(tài)識別。采用SVM多分類算法識別運動狀態(tài),需要給出先驗知識條件。為此,在采集肌電信號時,配合使用三維運動捕捉系統(tǒng),獲取人體下肢運動軌跡,建立步態(tài)的分類標(biāo)簽。選取數(shù)據(jù)量中的75%作為訓(xùn)練集,25%作為測試集。

2.2 基于FCM的步態(tài)相位識別方法

本節(jié)通過模糊C均值算法(fuzzyC-means,FCM),對上面提取出的特征點進行聚類分析。即將n個特征點Pi按其隸屬于不同步態(tài)(聚類簇)的隸屬度uij,分為若干個模糊組,并求每組特征點的聚類中心Ci(xi,yi,zi),(i=1,2,…,c),使得由特征點與聚類中心所構(gòu)成的目標(biāo)函數(shù)J達到最小。目標(biāo)函數(shù)如式(18)所示,聚類中心及隸屬度函數(shù)為

(18)

(19)

本文中將人體行走單個步態(tài)劃分為彈起相、擺動相、觸地相和支撐相4個狀態(tài),則模糊組m取值為4,其步態(tài)相位識別算法的具體流程如圖4所示。

為了定量評價一個完整步態(tài)相位識別結(jié)果,引入一個客觀評價指標(biāo)R,該方法的評價需要有先驗的分類標(biāo)簽,采用三維運動捕捉系統(tǒng)采集一組在線實驗數(shù)據(jù),獲取先驗的步態(tài)分類標(biāo)簽

(20)

式(20)中:vi為識別錯誤個數(shù);pi為識別點個數(shù)。

圖4 FCM算法流程

2.3 基于SVM-FCM信號融合的步態(tài)相位識別方法

SVM算法對于樣本間距離較大數(shù)據(jù)分類效果較好,但是對于樣本間距離較小的數(shù)據(jù)分類效果較差,FCM算法是均值聚類算法的改進,通過迭代計算的方法,為每個數(shù)據(jù)進行隸屬度判別,對于樣本間相似性較大的數(shù)據(jù)分類效果要好于SVM算法。因此,本研究結(jié)合上述2種算法優(yōu)點建立了一種FCM-SVM算法,融合處理肌電表征的生理學(xué)信息和足壓表征的運動學(xué)信息,進一步增強運動狀態(tài)的識別能力,融合算法原理如圖5所示。

圖5 信息融合算法原理框圖

若傳感器為單一數(shù)據(jù)輸出時,可直接使用FCM-SVM算法融合信息。但傳感器輸出的是多維數(shù)據(jù),而非一維數(shù)據(jù),因此需要對數(shù)據(jù)進一步地處理以適應(yīng)融合算法。自適應(yīng)加權(quán)對數(shù)據(jù)的融合有較好的效果,其計算公式為

(22)

式(22)中:n為傳感器個數(shù);xi為傳感器測量的有效值;wi為各個傳感器所對應(yīng)的權(quán)值。設(shè)?i為各個傳感器對應(yīng)的測量方差,數(shù)據(jù)的融合精度受傳感器方差大小影響。當(dāng)總?cè)诤戏讲钭钚r,融合結(jié)果的精確度最高,最終的融合模型公式為

(23)

將融合后的信息用類似線性函數(shù)表示X=w1x1+w2x2+…+wixi,轉(zhuǎn)換成矩陣形式表示為

X=[w1,w2,…,wi][x1,x2,…,xi]T

(24)

數(shù)據(jù)在融合之前,首先要對樣本數(shù)據(jù)做均衡化處理。本文中所選用的肌電傳感器采樣頻率是足底壓力傳感器采樣頻率的10倍,因此選用均值法對肌電信號展開處理,每十個采樣點選取一個均值與足底壓力數(shù)據(jù)進行一一對應(yīng)。由于足底壓力信號通道數(shù)為4,因此還需要運用式(22)、式(23)自適應(yīng)加權(quán)算法進行融合處理,經(jīng)計算,對應(yīng)的加權(quán)因子w1、w2、w3、w4的加權(quán)系數(shù)分別是0.245、0.266、0.251、0.238。

(25)

將各傳感器的測量信號有效值看作一個集合,2個傳感器集合之間的相似度可以表示為(r1,r2,…,rk,…,ri)。定義f(x)為判定函數(shù),f(x)的大小Tf為判別閾值,表達式為

(26)

當(dāng)ri

基于肌電和足壓信息融合的SVM-FCM算法的人機步態(tài)相位識別訓(xùn)練測試步驟具體如下:

輸入:樣本集F= {(Xi,Yi),i=1,2,…,n},Xi為樣本值,Yi樣本類別,設(shè)定樣本集的75%為訓(xùn)練集, 25%為測試集;

輸出:測試集的分類結(jié)果;

2) 根據(jù)式(25),計算各信號間的相似比;

3) 依據(jù)判別函數(shù)式(26),設(shè)定閾值Tf;

4)ri≥Tf時,信息劃入集合f(x)+,此時送入SVM算法進行運動狀態(tài)識別;ri

5) 更新測試集返回步驟2,重復(fù)步驟2)—步驟4),直至結(jié)束。將步態(tài)相位識別結(jié)果匯總輸出。

3 實驗研究

3.1 人機協(xié)同助行實驗方案設(shè)計

結(jié)合課題組設(shè)計的下肢外骨骼機器人,開展人機協(xié)同助行實驗,實時采集下肢表面肌電信息和足底壓力信息,實驗過程如圖1所示。不同于靜態(tài)離線穿戴實驗,受場地和實驗過程的難易度影響,從25名志愿者中選擇10名志愿者作為本次動態(tài)在線實驗數(shù)據(jù)采集對象,10名志愿者中男女比例為6∶4,每人進行實驗3次。人機協(xié)同助行實驗方案如圖6所示,步驟如下:

1) 試驗者穿戴外骨骼并做好實驗前準(zhǔn)備;

2) 設(shè)定各傳感器采樣時間為6 s,實驗者保持勻速直線行走,采集各傳感器數(shù)據(jù);

3) 處理各數(shù)據(jù)并通過不同方法進行相位識別;

4) 得到各組識別率并匯總識別結(jié)果。

圖6 人機協(xié)同實驗方案流程框圖

3.2 實驗結(jié)果及分析

表4及附錄中表1為信息融合后的一個步態(tài)周期內(nèi)的部分特征向量數(shù)據(jù)表。該步態(tài)周期的肌電運動單元序列與足壓信號激活情況結(jié)合圖1(c)所示。受試者連續(xù)行走時,步態(tài)相變化為“支撐相→彈起相→擺動相→觸地相”周期循環(huán),通過比較信號相似比rij與式(28)求得的閾值Tf大小,將特征向量歸入不同集合進行步態(tài)相位識別,按照時序更新并匯總測試集的識別結(jié)果。

運用FCM-SVM融合算法識別該步態(tài)周期內(nèi)的步態(tài)相位。識別效果如圖7(a)與圖7(b)所示。針對單步態(tài)人機步態(tài)相位, SVM-FCM相位識別算法能夠有效區(qū)分4個步態(tài)相位,驗證了SVM-FCM方法的可行性。其中:

1) 對于ri≥Tf的集合f(x)+,SVM-FCM相位識別算法利用表4的肌電信號特征向量Xc結(jié)合表1所示的尖峰閾值Th,通過式(16)及式(17)進行四分類識別,能有效區(qū)分4個步態(tài)相位。

表4 信息融合后的單步態(tài)周期內(nèi)的特征向量數(shù)據(jù)

圖7 人機協(xié)同助行實驗步態(tài)相位識別結(jié)果

2) 對于ri

本次實驗的整體結(jié)果如圖7(c)及表5(或附錄中表2)所示。從圖7和表5總結(jié)得出,基于肌電信號的SVM算法,其平均識別率為71.62%,該識別在彈起相、擺動相、支撐相的識別率較好,但觸地相識別率較差,僅有37.06%。主要原因是足部從擺動相向觸地相轉(zhuǎn)換、觸地相向支撐相轉(zhuǎn)換時,外骨骼對關(guān)節(jié)施加了較大交互力,使得人體肌肉在相位轉(zhuǎn)換過程中活動程度較大。如圖1(c),2個相位的尖峰閾值Th較為接近,易導(dǎo)致相位識別錯誤。與肌電信號相比,足壓信號在觸地相期間更穩(wěn)定。通過SVM-FCM識別方法,比較信號相似比rij及判定閾值Tf。利用有效信息多的足壓信號去彌補有效信息少的肌電信號,觸地相的平均識別率達到88.96%,驗證了SVM-FCM方法的有效性。

此外,基于足壓信號的FCM算法的平均識別率為74.66%,并未出現(xiàn)識別率較差的極端情況?；诩‰姾妥銐盒盘柸诤系腟VM-FCM算法,平均識別率為82.49%,高于運用單一信號的平均識別率。而且SVM-FCM人機步態(tài)識別的標(biāo)準(zhǔn)差普遍小于FCM人機步態(tài)識別的標(biāo)準(zhǔn)差,說明基于肌電和足壓信號融合的SVM-FCM算法應(yīng)用在人機步態(tài)相位識別的結(jié)果離散程度較小,可信度較高。

表5 人機協(xié)同助行實驗步態(tài)相位識別結(jié)果數(shù)據(jù)

4 結(jié)論

1) 針對表征下肢生理學(xué)信息的肌電信號,以及表征運動學(xué)信息的足壓信號,分別開展了包括特征提取、降噪等信號預(yù)處理方法并匹配合適算法,可有效識別外骨骼協(xié)同助行時的步態(tài)相位;

2) 提出了一種基于肌電和足壓信息融合的SVM-FCM融合算法,在彈起相、擺動相、觸地相、支撐相的識別率分別達到了76.51%、86.54%、88.96%、77.93%,實驗數(shù)據(jù)表明該算法提升了人體穿戴外骨骼的步態(tài)相位識別率,為下肢外骨骼機器人運動狀態(tài)識別奠定基礎(chǔ);

3) 通過實驗,基于肌電和足壓信號融合的FCM-SVM算法對人機協(xié)同助行的步態(tài)相位平均識別率達到了82.49%,高于運用基于單一信號步態(tài)相位識別的識別率,且標(biāo)準(zhǔn)差跟小,可信度更高,驗證了該算法用于人機步態(tài)相位識別的有效性。