基于通道注意力機(jī)制增強(qiáng)DGNN的外骨骼機(jī)器人步態(tài)相位預(yù)測(cè)

關(guān)鍵詞：步態(tài)相位預(yù)測(cè)；慣性傳感器；骨架；時(shí)空?qǐng)D卷積網(wǎng)絡(luò)；通道注意力機(jī)制

外骨骼機(jī)器人是一種可以穿戴行走式的機(jī)械設(shè)備，它可以減輕人類(lèi)的負(fù)重，起到支撐、保護(hù)、運(yùn)動(dòng)等作用，廣泛應(yīng)用于醫(yī)療、農(nóng)業(yè)、工業(yè)、軍事等領(lǐng)域，已經(jīng)成為未來(lái)科技發(fā)展的趨勢(shì)。按用途不同，外骨骼機(jī)器人可以分為助力型[1-2]、負(fù)重型[3-4]和康復(fù)型[5-6]機(jī)器人3類(lèi)。本文主要探討了基于下肢助力型的外骨骼機(jī)器人，其能夠通過(guò)在人體下肢關(guān)節(jié)處提供適當(dāng)?shù)耐獠枯o助力矩來(lái)提高人體的運(yùn)動(dòng)能力[7]，識(shí)別并預(yù)測(cè)穿戴者的運(yùn)動(dòng)意圖是外骨骼機(jī)器人輔助人類(lèi)運(yùn)動(dòng)的前提和基本要求，根據(jù)感知到的人類(lèi)意圖從而有效控制外骨骼的運(yùn)動(dòng)[8]。因此，必須首先估計(jì)人類(lèi)的行走意圖，以確保外骨骼機(jī)器人不會(huì)阻礙人類(lèi)的運(yùn)動(dòng)[9-10]。

人體行走過(guò)程是一個(gè)持續(xù)且規(guī)律的周期性運(yùn)動(dòng)。目前最常用的步態(tài)周期研究方法依賴(lài)于四相識(shí)別技術(shù)，由腳跟著地（HS）、腳尖著地（TS）、腳跟離地（TO）和擺動(dòng)相中點(diǎn)（SM）表示?；诋?dāng)前步態(tài)研究階段，使用一系列可穿戴傳感器，包括腳踏開(kāi)關(guān)、壓力鞋墊和慣性傳感器，在步態(tài)階段檢測(cè)方面進(jìn)行了廣泛的研究[11-13]。

常用的步態(tài)相位檢測(cè)分類(lèi)算法可分為三大類(lèi)：閾值方法（Threshold-BasedMethods，TBM）、機(jī)器學(xué)習(xí)方法（MachineLearningMethods，MLM）和深度學(xué)習(xí)（DeepLearning，DP）。閾值方法通過(guò)手動(dòng)設(shè)置閾值，觀察原始數(shù)據(jù)的特征，并根據(jù)這些特征將步態(tài)階段進(jìn)行分類(lèi)[14]。Kim等[15]提出了一種基于慣性測(cè)量單元（InertialMeasurementUnit，IMU）的腳-地接觸檢測(cè)（Foot-GroundContactDetection，F(xiàn)GCD）算法。Bejarano等[11]提出了一種基于慣性和磁性傳感器的自適應(yīng)算法，用于檢測(cè)步態(tài)事件，這種算法在健康人和步態(tài)病理患者身上都表現(xiàn)出色。Seel等[16]使用加速度計(jì)和陀螺儀傳感器，提出了一種實(shí)時(shí)的步態(tài)事件檢測(cè)方法。與TBM算法相比，數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)算法性能得到了顯著提高，它利用大量的數(shù)據(jù)來(lái)進(jìn)行分類(lèi)任務(wù)，從而減少了手動(dòng)創(chuàng)建有意義特征的需求。在步態(tài)相位預(yù)測(cè)應(yīng)用中，各種機(jī)器學(xué)習(xí)方法如K近鄰[17]、決策樹(shù)[18]、貝葉斯網(wǎng)絡(luò)分類(lèi)器[19]、線(xiàn)性判別分析[20]等都被廣泛應(yīng)用，它們同樣適用于區(qū)分步態(tài)階段[21]。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)新的研究方向，在搜索技術(shù)、數(shù)據(jù)挖掘、機(jī)器翻譯、自然語(yǔ)言處理、多媒體學(xué)習(xí)、語(yǔ)音、推薦和個(gè)性化技術(shù)，以及其他相關(guān)領(lǐng)域都取得了很多成果。Su等[22]提出了一種基于IMU和足底壓力傳感器的深度卷積神經(jīng)網(wǎng)絡(luò)（DeepConvolutionalNeuralNetwork，DCNN），用于識(shí)別步態(tài)周期的5個(gè)階段。另外，Wu等[23]提出了一種用于步態(tài)階段分類(lèi)的圖卷積網(wǎng)絡(luò)模型（GraphConvolutionalNetworkModel，GCNM），并將其與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）和DCNN進(jìn)行了比較，結(jié)果表明GCNM在步態(tài)階段分類(lèi)方面具有較高的準(zhǔn)確性，驗(yàn)證了該模型的有效性。

然而，這些步態(tài)相位預(yù)測(cè)方法沒(méi)有充分考慮到關(guān)節(jié)之間的相互聯(lián)系，也沒(méi)有充分挖掘時(shí)間和空間之間的聯(lián)系，無(wú)法充分表現(xiàn)人體步態(tài)相位特征。

在基于視頻的動(dòng)作識(shí)別領(lǐng)域，基于時(shí)空卷積網(wǎng)絡(luò)的算法ST-GCN[24]得到了廣泛應(yīng)用，它能夠利用人體骨架信息?，F(xiàn)有的基于圖的方法通常將骨架表示為無(wú)向圖，并使用兩個(gè)獨(dú)立的網(wǎng)絡(luò)對(duì)骨骼和關(guān)節(jié)進(jìn)行建模，但不能充分利用關(guān)節(jié)和骨骼之間的依賴(lài)關(guān)系。因此，本文引入基于通道注意力機(jī)制增強(qiáng)的有向圖神經(jīng)網(wǎng)絡(luò)（CA-DGNN）[25]的外骨骼機(jī)器人步態(tài)相位預(yù)測(cè)模型。該方法采用有向非循環(huán)圖來(lái)表示骨架模型，其中關(guān)節(jié)作為圖的頂點(diǎn)，骨骼作為邊，可以捕捉關(guān)節(jié)之間的依賴(lài)關(guān)系；引入了通道注意力機(jī)制，通過(guò)對(duì)關(guān)節(jié)的不同通道信息賦予不同的權(quán)重來(lái)關(guān)注重要通道，使模型能在不同的特征空間中聚焦重要信息。同時(shí)，在已有下肢外骨骼機(jī)器人的基礎(chǔ)上研制了一套基于IMU慣性傳感器的人體步態(tài)運(yùn)動(dòng)數(shù)據(jù)采集設(shè)備，通過(guò)采集的數(shù)據(jù)計(jì)算得出骨架信息和運(yùn)動(dòng)信息，并將其輸入到CA-DGNN中，以構(gòu)建下肢骨架模型并進(jìn)行下肢外骨骼機(jī)器人步態(tài)相位預(yù)測(cè)的研究，探討了算法參數(shù)和部分超參數(shù)對(duì)步態(tài)相位預(yù)測(cè)性能的影響。

1方法與數(shù)據(jù)

1.1下肢助力外骨骼機(jī)器人

本文研究的下肢助力外骨骼機(jī)器人，其結(jié)構(gòu)示意圖如圖1所示，該外骨骼采用剛性的機(jī)械支撐結(jié)構(gòu)，在外骨骼機(jī)器人的大小腿和腰部安裝傳感器，采集人體的步態(tài)運(yùn)動(dòng)信息；在膝關(guān)節(jié)處布置電機(jī)驅(qū)動(dòng)結(jié)構(gòu)，作為外骨骼機(jī)器人的關(guān)節(jié)執(zhí)行器，在人體運(yùn)動(dòng)時(shí)提供相應(yīng)的助力力矩；在外骨骼的背部安裝控制器等組件，采用相應(yīng)的控制策略，實(shí)現(xiàn)外骨骼機(jī)器人的實(shí)時(shí)控制。

1.2人體步態(tài)信息采集設(shè)備

本文構(gòu)建的人體步態(tài)信息采集設(shè)備如圖2所示。該設(shè)備由大小腿和腰部的柔性綁縛結(jié)構(gòu)組成，在大小腿和腰部均布置IMU慣性傳感器，用于采集人體大小腿和腰部的運(yùn)動(dòng)數(shù)據(jù)，主要是大小腿和腰部的三軸角度、三軸加速度、三軸角速度，并且在腰部安裝有協(xié)處理器，通過(guò)CAN（Controllerareanetwork）總線(xiàn)傳輸，將數(shù)據(jù)整合并通過(guò)藍(lán)牙發(fā)送到手機(jī)等移動(dòng)設(shè)備。

1.3人體步態(tài)數(shù)據(jù)的獲取

傳感器的人體坐標(biāo)系的規(guī)定如圖3所示，即以人體側(cè)面為基準(zhǔn)，平行于人體矢狀面運(yùn)動(dòng)方向?yàn)閄軸，重力加速度方向?yàn)閅軸，垂直于人體矢狀面為Z軸。

本文采用的數(shù)據(jù)是由本研究團(tuán)隊(duì)設(shè)計(jì)的一套人體步態(tài)信息采集設(shè)備采集的運(yùn)動(dòng)數(shù)據(jù)，共邀請(qǐng)了4位志愿者進(jìn)行步態(tài)行走的數(shù)據(jù)采集，采樣頻率為100Hz，單次采集時(shí)間為20s，每位實(shí)驗(yàn)者重復(fù)采集5次作為一組數(shù)據(jù)，共采集了5組數(shù)據(jù)，對(duì)其分別命名為數(shù)據(jù)集1、數(shù)據(jù)集2、數(shù)據(jù)集3、數(shù)據(jù)集4和數(shù)據(jù)集5，其中數(shù)據(jù)集1、2、3、4分別為4位不同志愿者的步態(tài)數(shù)據(jù)，數(shù)據(jù)集5與數(shù)據(jù)集3為同一個(gè)志愿者的2次運(yùn)動(dòng)數(shù)據(jù)（重新進(jìn)行穿戴）。每個(gè)數(shù)據(jù)集內(nèi)包括大小腿和腰部的三軸角度、三軸加速度和三軸角速度。

1.4基于CA-DGNN的步態(tài)相位預(yù)測(cè)

因?yàn)楣羌芴峁┝岁P(guān)于人體運(yùn)動(dòng)的關(guān)鍵信息，通過(guò)分析骨架在不同步態(tài)相位中的姿態(tài)和加速度，可以獲取有關(guān)步態(tài)周期的節(jié)奏、速度等重要特征。步態(tài)相位預(yù)測(cè)的主要流程如下：首先進(jìn)行步態(tài)數(shù)據(jù)的采集，本文邀請(qǐng)4位志愿者穿戴人體步態(tài)信息采集設(shè)備進(jìn)行實(shí)驗(yàn)，得到行走步態(tài)運(yùn)動(dòng)數(shù)據(jù)；建立下肢骨架模型，建立時(shí)空?qǐng)D卷積網(wǎng)絡(luò)；進(jìn)行超參數(shù)實(shí)驗(yàn)，確定相應(yīng)最優(yōu)窗口大??；最后進(jìn)行用戶(hù)獨(dú)立實(shí)驗(yàn)和用戶(hù)依賴(lài)實(shí)驗(yàn)，與其他算法進(jìn)行比較。圖4顯示了骨架及其相應(yīng)的有向圖，把腰部作為點(diǎn)1，左大小腿分別為點(diǎn)2和點(diǎn)5；右大小腿分別為點(diǎn)3和點(diǎn)4，形成圖結(jié)構(gòu)。

為了進(jìn)一步提高模型在步態(tài)預(yù)測(cè)任務(wù)上的準(zhǔn)確率，本文在DGNN的基礎(chǔ)上加以改進(jìn)，引入了基于通道注意力機(jī)制增強(qiáng)的有向圖神經(jīng)網(wǎng)絡(luò)（CA-DGNN）來(lái)進(jìn)行步態(tài)相位的預(yù)測(cè)。

CA-DGNN將關(guān)節(jié)和骨骼信息結(jié)合起來(lái)并表示為一個(gè)有向非循環(huán)圖（Directedacyclicgraph），其中關(guān)節(jié)作為頂點(diǎn)，骨骼作為邊，關(guān)節(jié)之間的依賴(lài)關(guān)系通過(guò)圖的有向邊建模，GTCN（Graphtemporalconvolutionnetwork）由DGN塊（Directedgraphnetwork）、TCN塊（Temporalconvolutionnetwork）和ECA塊（Efficientchannelattention）及若干功能層組成（圖4）。

模型從數(shù)據(jù)輸入到多幀步態(tài)相位輸出的流程圖如圖5所示。在骨架數(shù)據(jù)輸入后，分別經(jīng)過(guò)3個(gè)添加了ECA模塊的GTCN操作后，輸出張量被輸入到全連接層，以獲得每個(gè)步態(tài)的特征向量。在這之后，步態(tài)的特征向量通過(guò)Softmax函數(shù)傳遞到輸出層，以獲得步態(tài)相位類(lèi)別的預(yù)測(cè)。最后，將模型預(yù)測(cè)的不同時(shí)間的步態(tài)進(jìn)行組合，得到多幀步態(tài)相位輸出。本文使用100幀數(shù)據(jù)預(yù)測(cè)未來(lái)10幀，即未來(lái)100ms的數(shù)據(jù)。

在CA-DGNN中，每個(gè)圖時(shí)間卷積模塊后都添加了一個(gè)ECA模塊。ECA模塊通過(guò)考慮每個(gè)通道及其k個(gè)鄰居進(jìn)行局部跨通道交互信息，自適應(yīng)地調(diào)整每個(gè)通道的權(quán)重，使得模型能夠更加關(guān)注重要的通道，抑制噪聲和無(wú)關(guān)信息。同時(shí)，本文改進(jìn)了圖學(xué)習(xí)的方法，增加了對(duì)有向非循環(huán)圖進(jìn)行稀疏化的操作，抑制了相關(guān)性較低的連接形成。

2實(shí)驗(yàn)結(jié)果

本文將上述人體步行步態(tài)運(yùn)動(dòng)數(shù)據(jù)關(guān)節(jié)角度、加速度、角速度進(jìn)行數(shù)據(jù)平滑處理，進(jìn)行了窗口大小對(duì)算法性能影響的實(shí)驗(yàn)，分別運(yùn)用CNN、RNN[26]、TCN[27]、LSTM[28]這4種時(shí)間序列算法以及基于骨架的DGNN算法進(jìn)行實(shí)驗(yàn)，最終與CA-DGNN進(jìn)行比較，證明CA-DGNN算法在步態(tài)相位預(yù)測(cè)上的優(yōu)越性。

訓(xùn)練參數(shù)設(shè)置為：學(xué)習(xí)率為0.001，批量大小為32，優(yōu)化器選擇Adam，迭代次數(shù)為150次，丟棄率為0.3，權(quán)重衰減系數(shù)為10?4，學(xué)習(xí)率容忍次數(shù)為4。除了常規(guī)的超參數(shù)設(shè)置外，還設(shè)置了圖學(xué)習(xí)凍結(jié)步數(shù)為5，用于保證訓(xùn)練開(kāi)始的前5次迭代中初始圖不進(jìn)行更新。

2.1窗口大小的實(shí)驗(yàn)

在數(shù)據(jù)加窗時(shí)，窗口的大小對(duì)結(jié)果的影響如表1所示。本實(shí)驗(yàn)所使用的傳感器采樣頻率為100Hz，正常人走路1min大約在100～120步，一個(gè)步態(tài)周期為1s左右，分別設(shè)置窗口大小為80、90、100、110、120、130、140、150、160、170和180，窗口間隔設(shè)置為1保持不變，使用數(shù)據(jù)集3作為訓(xùn)練集、數(shù)據(jù)集5作為測(cè)試集。實(shí)驗(yàn)將90%的數(shù)據(jù)用于訓(xùn)練、10%的數(shù)據(jù)用于驗(yàn)證，每次均進(jìn)行100輪訓(xùn)練，設(shè)置學(xué)習(xí)率為0.001。

由表1可以看出，不同的窗口大小也會(huì)影響CA-DGNN的性能，當(dāng)窗口大小為100時(shí)表現(xiàn)最好，準(zhǔn)確率為97.86%；當(dāng)窗口大小為120時(shí)表現(xiàn)最差，準(zhǔn)確率為95.25%。窗口大小為100的準(zhǔn)確率比窗口大小為80、90、110、120、130、140、150、160、170和180時(shí)分別提高了0.84%、0.60%、2.12%、2.61%、1.57%、1.27%、1.05%、1.78%、1.56%和1.35%。

2.2用戶(hù)獨(dú)立實(shí)驗(yàn)

由于CA-DGNN算法以骨架數(shù)據(jù)作為輸入，而其他算法為數(shù)據(jù)驅(qū)動(dòng)，因此在實(shí)驗(yàn)中，本節(jié)將原始三軸角度、三軸加速度和三軸角速度作為CNN、RNN、TCN和LSTM這4種算法的輸入，將關(guān)節(jié)坐標(biāo)作為CA-DGNN的輸入，并進(jìn)行比較，以證明CA-DGNN算法在步態(tài)相位預(yù)測(cè)上的優(yōu)越性。使用數(shù)據(jù)集1、2、3作為訓(xùn)練集、數(shù)據(jù)集4作為測(cè)試集，Windowsize設(shè)置為100，用戶(hù)獨(dú)立實(shí)驗(yàn)結(jié)果如表2所示。由表2可知，在5種算法中，CA-DGNN算法的準(zhǔn)確率比CNN、RNN、TCN、LSTM和DGNN分別提高了3.27%、5.29%、3.34%、2.69%、1.27%。

2.3用戶(hù)依賴(lài)實(shí)驗(yàn)

使用數(shù)據(jù)集3作為訓(xùn)練集、數(shù)據(jù)集5作為測(cè)試集，進(jìn)行用戶(hù)依賴(lài)實(shí)驗(yàn)，將CA-DGNN算法與其他4種算法進(jìn)行比較，結(jié)果如表3所示。

由表3可知，在5種算法中，CA-DGNN算法的準(zhǔn)確率比CNN、RNN、TCN、LSTM分別提高了2.72%、8.21%、18.09%、3.51%。

2.4消融實(shí)驗(yàn)

使用數(shù)據(jù)集3作為訓(xùn)練集、數(shù)據(jù)集5作為測(cè)試集，進(jìn)行消融實(shí)驗(yàn)，使用DGNN算法與CA-DGNN算法進(jìn)行比較，結(jié)果如表4所示。

由表4可知，在消融實(shí)驗(yàn)中，CA-DGNN算法相比DGNN算法在準(zhǔn)確率、精確率、召回率和F1值上同時(shí)有顯著提升，分別提高了1.43%、2.06%、2.54%、2.38%。為了進(jìn)一步驗(yàn)證提出算法的實(shí)用性，將穿戴人體步態(tài)信息采集設(shè)備采集的步態(tài)數(shù)據(jù)實(shí)時(shí)輸入到訓(xùn)練的CA-DGNN模型，進(jìn)一步進(jìn)行實(shí)驗(yàn)驗(yàn)證，預(yù)測(cè)準(zhǔn)確率達(dá)到93.28%。

3討論

3.1窗口大小的影響

不同的窗口大小會(huì)影響CA-DGNN算法的性能。為進(jìn)一步分析窗口大小對(duì)步態(tài)相位預(yù)測(cè)平均準(zhǔn)確率的影響，計(jì)算了不同窗口大小下各步態(tài)相位預(yù)測(cè)準(zhǔn)確率，如圖6所示?？梢钥闯觯诟淖兇翱诖笮〉倪^(guò)程中，TO相位一直保持著較高的準(zhǔn)確率，一般在99%以上，其基本不受窗口大小改變的影響。而HS、TS這兩個(gè)步態(tài)相位識(shí)別準(zhǔn)確率低，分別為95.72%和92.10%。SM相位受窗口改變影響比較大，其最高準(zhǔn)確率為94.16%，最低準(zhǔn)確率為70.17%。但就準(zhǔn)確率而言，CA-DGNN算法的性能受窗口大小這一超參數(shù)的影響不是很大，步態(tài)模型具有較強(qiáng)的魯棒性，在實(shí)際使用中可以減少為不同數(shù)據(jù)尋找合適窗口大小的計(jì)算量。

窗口大小為80和100時(shí)CA-DGNN的混淆矩陣如圖7所示。窗口大小為80時(shí)步態(tài)相位預(yù)測(cè)準(zhǔn)確率稍低一些，比窗口大小為100的準(zhǔn)確率低了0.84%。根據(jù)圖6所示，窗口大小改變時(shí)，SM相位準(zhǔn)確率受影響變化最大，故在考慮最佳窗口大小時(shí)，應(yīng)該從準(zhǔn)確率和SM相位準(zhǔn)確率兩個(gè)方面綜合考慮。窗口大小分別為80和100時(shí)，前者在HS、TO相位上準(zhǔn)確率和后者相近，但TS、SM相位準(zhǔn)確率卻低于后者，尤其是受窗口大小影響最大的SM相位，后者平均準(zhǔn)確率比前者高了4.67%。

總體來(lái)說(shuō)，窗口大小為100時(shí)準(zhǔn)確率達(dá)到了最高，并且各個(gè)步態(tài)相位的識(shí)別準(zhǔn)確率都位居前列，尤其是受窗口大小影響最大的SM相位。窗口大小改善了誤識(shí)別情況，并且該模型擁有較強(qiáng)的魯棒性，在實(shí)際使用中擁有更強(qiáng)的普適性。

3.2用戶(hù)獨(dú)立實(shí)驗(yàn)的結(jié)果分析

在用戶(hù)獨(dú)立實(shí)驗(yàn)中CA-DGNN在6種算法中表現(xiàn)最好，識(shí)別準(zhǔn)確率達(dá)到了94.52%。為了進(jìn)一步分析各算法的性能，計(jì)算了各步態(tài)相位預(yù)測(cè)準(zhǔn)確率，如圖8所示。CA-DGNN在大多數(shù)步態(tài)相位預(yù)測(cè)準(zhǔn)確率上都比其他5個(gè)算法高，最低準(zhǔn)確率也在85.66%左右，其他算法最低準(zhǔn)確率甚至只有61.68%。CADGNN在TS和SM準(zhǔn)確率分別為98.34%和85.66%；HS和TO準(zhǔn)確率分別為94.22%和95.21%，雖然并非最佳，但也達(dá)到了平均水準(zhǔn)。在SM相位上，其他5種算法準(zhǔn)確率都不超過(guò)70%，而CA-DGNN算法準(zhǔn)確率高達(dá)85.66%；在TO和HS相位上，CA-DGNN準(zhǔn)確率也在94%以上；這說(shuō)明CA-DGNN在步態(tài)相位分類(lèi)上的表現(xiàn)優(yōu)于其他算法，其高準(zhǔn)確率和穩(wěn)定性更適于步態(tài)相位預(yù)測(cè)。

對(duì)CA-DGNN的實(shí)驗(yàn)結(jié)果進(jìn)一步分析，其混淆矩陣如圖9所示。CA-DGNN對(duì)HS、TS和TO3種步態(tài)相位預(yù)測(cè)準(zhǔn)確率較高，但還是出現(xiàn)了SM步態(tài)相位的誤識(shí)別率較高的情況，如把SM識(shí)別為T(mén)O的誤識(shí)別率為8.05%，把SM識(shí)別為HS的誤識(shí)別率為6.29%。

由于所使用數(shù)據(jù)為三軸加速度和三軸角速度的下肢矢狀面運(yùn)動(dòng)角度，在實(shí)際運(yùn)動(dòng)過(guò)程中，腿部的運(yùn)動(dòng)特征相差不是很大，差別較大的主要是踝關(guān)節(jié)數(shù)據(jù)，而踝關(guān)節(jié)數(shù)據(jù)并沒(méi)有采集，因此出現(xiàn)了這幾個(gè)步態(tài)相位之間的誤識(shí)別，導(dǎo)致準(zhǔn)確率降低。但在使用同樣數(shù)據(jù)的情況下，各算法識(shí)別準(zhǔn)確率也有差別，說(shuō)明模型本身的特性也是影響步態(tài)相位預(yù)測(cè)性能的重要因素。

3.3用戶(hù)依賴(lài)實(shí)驗(yàn)的結(jié)果分析

前述通過(guò)用戶(hù)獨(dú)立實(shí)驗(yàn)建立步態(tài)相位預(yù)測(cè)用戶(hù)依賴(lài)實(shí)驗(yàn)，并且獲得了較好的結(jié)果。雖然通用模型可以減少訓(xùn)練過(guò)程中所需的時(shí)間，但通用模型可能不適用于特定個(gè)體。因此進(jìn)行用戶(hù)依賴(lài)實(shí)驗(yàn)，將使用者數(shù)據(jù)加入模型進(jìn)行訓(xùn)練，以進(jìn)一步提高步態(tài)識(shí)別的準(zhǔn)確率。各算法的不同步態(tài)相位預(yù)測(cè)準(zhǔn)確率如圖10所示。由圖可得，CA-DGNN在HS、TO、SM這3個(gè)步態(tài)相位上準(zhǔn)確率分別為98.17%、99.24%、94.16%；在TS步態(tài)相位上準(zhǔn)確率為96.70%，對(duì)比最好的97.73%僅相差1.03%。CA-DGNN方法中各步態(tài)的識(shí)別準(zhǔn)確率都不小于94.16%，而其他算法最低識(shí)別準(zhǔn)確率甚至只有71.99%。這說(shuō)明CA-DGNN在步態(tài)相位預(yù)測(cè)上表現(xiàn)良好，優(yōu)于其他幾種算法。

CA-DGNN的混淆矩陣如圖11所示，用戶(hù)依賴(lài)實(shí)驗(yàn)中CA-DGNN對(duì)4種步態(tài)相位預(yù)測(cè)準(zhǔn)確率均很高，最低也在94.16%，比前述用戶(hù)獨(dú)立實(shí)驗(yàn)效果要好，并且更加穩(wěn)定，魯棒性更強(qiáng)。但也同樣面臨前述的問(wèn)題，出現(xiàn)了步態(tài)相位的誤識(shí)別情況，但基本不超過(guò)3%。結(jié)果說(shuō)明CA-DGNN相比其他4種算法在步態(tài)相位預(yù)測(cè)上都具有更高的準(zhǔn)確性和穩(wěn)定性。

大多數(shù)分析時(shí)間序列的DL算法（如RNN、LSTM、TCN）主要關(guān)注時(shí)間特征，它們學(xué)習(xí)空間特征的能力相對(duì)較弱。這些深度學(xué)習(xí)算法鮮有明確考慮骨架和相鄰關(guān)節(jié)之間的空間連通性、依賴(lài)關(guān)系和圖形結(jié)構(gòu)。因此，它們?cè)诶斫馊梭w行走所表達(dá)的步態(tài)相位方面能力相對(duì)有限，這導(dǎo)致其在步態(tài)相位預(yù)測(cè)的整體表現(xiàn)不如CA-DGNN。

3.4穿戴實(shí)驗(yàn)的結(jié)果分析

在處理人體步態(tài)這種具有多維和復(fù)雜的時(shí)間依賴(lài)性數(shù)據(jù)時(shí)，CA-DGNN相比于DGNN，通過(guò)關(guān)注通道間的空間依賴(lài)關(guān)系，自動(dòng)地學(xué)習(xí)通道的重要性，能夠更好地理解不同的步態(tài)相位模式，有助于提高模型的分類(lèi)準(zhǔn)確率。實(shí)際穿戴實(shí)驗(yàn)的結(jié)果也能進(jìn)一步驗(yàn)證CA-DGNN在步態(tài)相位預(yù)測(cè)上的實(shí)用性。為測(cè)試CA-DGNN算法的實(shí)用性，測(cè)試人員穿戴運(yùn)動(dòng)數(shù)據(jù)采集裝備進(jìn)行行走，同時(shí)使用CA-DGNN進(jìn)行實(shí)時(shí)步態(tài)相位預(yù)測(cè)。同時(shí)記錄每個(gè)時(shí)刻的步態(tài)相位和模型預(yù)測(cè)結(jié)果，在測(cè)試結(jié)束后進(jìn)行結(jié)果分析。實(shí)際穿戴運(yùn)動(dòng)數(shù)據(jù)采集設(shè)備后行走的實(shí)時(shí)步態(tài)相位預(yù)測(cè)結(jié)果的混淆矩陣如圖12所示。根據(jù)實(shí)驗(yàn)結(jié)果和混淆矩陣，在處理實(shí)時(shí)步態(tài)數(shù)據(jù)方面，CA-DGNN雖然受到噪聲干擾，但仍保持93.28%的準(zhǔn)確率。4種步態(tài)相位中HS、TS、SM都保持91%以上的準(zhǔn)確率，只有TO相位識(shí)別準(zhǔn)確率有較大下降。穿戴設(shè)備的實(shí)時(shí)相位預(yù)測(cè)準(zhǔn)確率仍保持較高的水平，證明CA-DGNN有較強(qiáng)的準(zhǔn)確率和魯棒性，對(duì)后續(xù)外骨骼助力的研究有實(shí)用意義。

4結(jié)束語(yǔ)

在本研究中，引入了一種使用CA-DGNN的基于多慣性傳感器的骨架步態(tài)相位檢測(cè)方法。首先，提取人體5個(gè)關(guān)節(jié)上IMU的運(yùn)動(dòng)數(shù)據(jù)，并對(duì)其進(jìn)行加窗；其次，根據(jù)人體關(guān)節(jié)之間的自然連接關(guān)系，建立了步態(tài)相位預(yù)測(cè)的骨架模型；然后，使用空間圖卷積層和時(shí)間卷積層分別在空間和時(shí)間尺度上提取人體步態(tài)相位的動(dòng)態(tài)特征，從而更全面地挖掘人類(lèi)行走步態(tài)的空間和時(shí)間模式；最后，建立了基于CADGNN和骨架的步態(tài)相位預(yù)測(cè)模型，討論了參數(shù)對(duì)模型性能的影響，并將實(shí)驗(yàn)結(jié)果與其他5種算法的結(jié)果進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，CA-DGNN模型具有更好的準(zhǔn)確性和魯棒性，優(yōu)于其他5種算法。本研究旨在為基于IMU的步態(tài)相位預(yù)測(cè)提供了一種新方法。