基于多源信息和粒子群優(yōu)化算法的下肢運(yùn)動模式識別

劉磊，楊 鵬，2，劉作軍，2

（1.河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津300130；

2.智能康復(fù)裝置與檢測技術(shù)教育部工程研究中心，天津300130）

近年來，由于意外傷害和疾病導(dǎo)致的截肢患者日益增多，已成為亟需關(guān)注的特殊社會群體［1-2］.智能人體運(yùn)動輔助系統(tǒng)可以替代所失去肢體的部分功能，使截肢者恢復(fù)一定的生活自理和工作能力.人體下肢運(yùn)動模式識別技術(shù)是智能人體運(yùn)動輔助系統(tǒng)研究中的一個重要研究方向.

從國內(nèi)外現(xiàn)有的研究成果來看，根據(jù)研究重點(diǎn)的不同，運(yùn)動模式識別方法主要有3種.1）利用下肢表面肌電信號來識別下肢運(yùn)動模式.表面肌電信號（surface electromyography，sEMG）是肌電信號在人體皮膚表面的募集，它能提供準(zhǔn)確豐富的運(yùn)動信息，因此，研究人員選其作為下肢運(yùn)動模式的信號源.Abel等［3］經(jīng)過研究提取肌電信號特征值，利用神經(jīng)網(wǎng)絡(luò)對人體動作進(jìn)行模式識別.傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)分類容易出現(xiàn)局部最小值導(dǎo)致識別率較低.佘青山等［4］提取肌電信號特征值，采用二叉樹組合策略構(gòu)造基于多核學(xué)習(xí)的多類分類器識別水平行走時的支撐前期、支撐中期、支撐末期、擺動前期、擺動末期.吳劍鋒等［5］將人體下肢動作分解為不同片段，以下肢表面肌電信號為信息源，利用簡約支持向量機(jī)的方法識別了4個日常下肢動作.He等［6］利用sEMG有效地識別截肢者平地行走、上下樓梯等運(yùn)動模式，Du等［7］在其基礎(chǔ)上加入行走環(huán)境的先驗(yàn)信息，實(shí)現(xiàn)步態(tài)識別.2）在分析人體的結(jié)構(gòu)和運(yùn)動力學(xué)基礎(chǔ)上，建立人體下肢運(yùn)動數(shù)學(xué)模型來識別動作.人體下肢運(yùn)動涉及肌肉和神經(jīng)多個變量因素，各個因素之間相互影響、相互作用，這就為建立人體下肢運(yùn)動數(shù)學(xué)模型帶來了困難.3）利用安裝在身體上的傳感器間接獲取運(yùn)動信息來識別運(yùn)動模式.Stolze等［8］在步態(tài)識別研究中利用足底壓力信息，并取得一定的成果.Milica［9］利用加速度傳感器計(jì)算出膝關(guān)節(jié)和大腿的角度信息，再結(jié)合腳尖和腳跟的足底壓力對下肢運(yùn)動步態(tài)進(jìn)行識別.Lau等［10］使用加速度傳感器和陀螺儀對人體行走時的步態(tài)進(jìn)行分析.Oscar等［11］采用加速度信號和生命體征信號對跑步、上樓等5個動作應(yīng)用多層感知器等方法進(jìn)行分類.

人體下肢運(yùn)動包含不同的運(yùn)動模式，如行走、跑步、上樓和下樓等，是一個變化復(fù)雜的過程，需要利用多種運(yùn)動力學(xué)信息才能綜合表述，才可以提高下肢多運(yùn)動模式識別的準(zhǔn)確度.上述算法存在人體下肢運(yùn)動特征無法準(zhǔn)確描述的問題.為了克服上述方法的不足，本文針對平地行走、上下樓梯、上下坡等多種運(yùn)動模式，通過對下肢表面肌電信號、髖關(guān)節(jié)角度、加速度等多源信息的獲取和處理，結(jié)合粒子群優(yōu)化算法（PSO）的全局尋優(yōu)能力和誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的局部搜索優(yōu)勢，利用PSO-BP算法［12］對5種運(yùn)動模式進(jìn)行識別.

1 系統(tǒng)描述

為了提高人體下肢運(yùn)動信息獲取的全面性，建立下肢多源信息采集系統(tǒng)，主要包括3方面信息：下肢表面肌電信號、髖關(guān)節(jié)角度、加速度信號.

1.1 下肢表面肌電信號

sEMG 是從皮膚表面通過電極引導(dǎo)記錄的肌肉自主收縮或電誘發(fā)收縮（M波）過程中產(chǎn)生的生理電變化.人體不同的動作在sEMG上的表現(xiàn)差別很大.研究表明，下肢肌電信號體現(xiàn)了患者下肢運(yùn)動的預(yù)測性［13］.下肢任何一個簡單的動作，都需要多塊肌肉的協(xié)同作用.由于與下肢運(yùn)動相關(guān)的肌肉很多，選取合適的肌肉群非常關(guān)鍵，比較各個肌肉在不同運(yùn)動模式下肌電信號變化趨勢，最終選取4塊大腿肌肉的表面肌電信號作為研究對象，分別是：股直肌、股內(nèi)側(cè)肌、半腱肌、長收肌.這4塊肌肉在信號區(qū)分度上有典型性［4-5］.肌肉解剖圖如圖1、2所示.股直肌、股內(nèi)側(cè)肌是膝關(guān)節(jié)強(qiáng)有力的伸肌，股直肌可以屈曲髖關(guān)節(jié)；半腱肌主要作用是伸髖屈膝，以及膝關(guān)節(jié)的外旋；長收肌為大腿肌內(nèi)側(cè)群的組成部分，主要作用是內(nèi)收、外旋、微屈髖關(guān)節(jié).

圖1 股直肌、長收肌、股內(nèi)側(cè)肌示意圖Fig.1 Rectus muscle，long adductor and medial vastus muscle

圖2 半腱肌示意圖Fig.2 Semitendinosus muscle

1.2 髖關(guān)節(jié)角度信號

人行走時的髖關(guān)節(jié)角速度是描述下肢運(yùn)動的物理量.人體處于運(yùn)動狀態(tài)時，其下肢會產(chǎn)生周期性的角度變化.對于平地行走，上樓梯或上斜坡等不同運(yùn)動，一個周期內(nèi)大腿的擺動角度往往存在差異.因此，本課題利用陀螺儀傳感器測出步態(tài)周期內(nèi)髖關(guān)節(jié)角速度的變化，對其進(jìn)行積分可得髖關(guān)節(jié)角度，進(jìn)一步分析可以判斷下肢運(yùn)動模式.

1.3 髖關(guān)節(jié)加速度信號

加速度信號是描述下肢運(yùn)動狀態(tài)的重要信息.不同的步速、路況會對應(yīng)不同的加速度，加速度的大小也反映了加速力的大小，該信息直觀可靠、物理意義明確.利用加速度傳感器對運(yùn)動信息進(jìn)行采集，提取加速度信號的關(guān)鍵特征，從而判斷運(yùn)動模式.

2 特征提取與融合

為了準(zhǔn)確地識別人體下肢運(yùn)動模式，特征提取和融合是模式識別的關(guān)鍵，特征提取和融合的好壞直接影響到識別率的高低.

2.1 下肢表面肌電信號特征提取

圖3 健康人和殘疾人的肌電信號對比圖Fig.3 EMG signal contrast of healthy people and disabled people

圖3為健康人和殘疾人穿戴假肢時的股直肌在相同運(yùn)動模式下的肌電信號，橫坐標(biāo)Q表示采樣點(diǎn)數(shù).不難看出，兩者在相同動作下肌電信號的變化趨勢大體相似.但由于殘疾人的肌肉有一定程度的萎縮，其肌電信號的幅值較健康人稍弱.考慮到肌電信號應(yīng)用之前需要對不同人的信號進(jìn)行歸一化處理，這種幅值上的差異對下肢運(yùn)動模式識別的影響可以忽略.單一特征描述肌電信號往往是不全面的，采用時頻特征結(jié)合的方法提取下肢表面肌電信號特征值.研究表明：在短時間間隔中，肌電信號可以看成平穩(wěn)信號來處理，肌電信號幅值和能量大小可以表征肌電信號的特點(diǎn)，但缺少細(xì)節(jié)特征的描述.表面肌電信號的時域特征偏度（η）和峭度（μ）可以很好地描繪細(xì)節(jié)變化，定義如下：

式中：χ（ti）為肌電信號序列值，N為肌電信號離散化后序列總和，為肌電信號數(shù)學(xué)期望，為肌電信號的方差.當(dāng)受試者動作劇烈時，時域信號有較大偏差，為了準(zhǔn)確識別運(yùn)動模式需要借助頻域特征.實(shí)驗(yàn)表明，同一實(shí)驗(yàn)者不同時間同一運(yùn)動模式的功率譜也有一定區(qū)別.本研究選用肌電信號功率譜比值作為肌電信號頻域特征，這種方法對提取非特定人肌電信號特征非常有意義.

式中：K為肌電信號功率譜比值，P（f）為功率譜密度函數(shù)，f0為功率譜最大值處的頻率，α為積分范圍.f0可通過方程dP（f）／d（f）=0求解，如有多個解，取P（f）為最大值時的f0.王喜太等［14］研究表明，當(dāng)α=15 Hz時，特征值可以很好地區(qū)分.由于肌電信號絕大多數(shù)頻譜集中在50～500 Hz，為了消除低頻和高頻干擾信號，僅對50～500 Hz頻段積分.

圖4 人體行走步態(tài)周期Fig.4 Human walking gait cycle

2.2 髖關(guān)節(jié)角度特征提取

一個完整的步態(tài)從腳跟著地開始到同側(cè)腳跟再次著地截止，分為支撐期（stance phase）和擺動期（swing phase），其中支撐期占60%，擺動期占40%，如圖4所示.陀螺儀可以用來測量以（°）／s為單位的角速度，對其進(jìn)行積分可得髖關(guān)節(jié)角度.圖5給出了健康人5種運(yùn)動模式的髖關(guān)節(jié)角度信號.圖6是殘疾人穿戴假肢平地行走時髖關(guān)節(jié)矢狀面角度比較圖.其中，ψ為步態(tài)周期百分比.不難看出，健肢側(cè)與殘肢側(cè)的髖關(guān)節(jié)在矢狀面方向的角度差異不是很大，但是殘肢側(cè)的髖關(guān)節(jié)擺動幅度比健肢側(cè)的幅度小一些.研究表明：在不同運(yùn)動模式下殘疾人的步態(tài)周期為1.5～2.5 s.為了更好地表征髖關(guān)節(jié)角度的特征信息，可以將支撐期細(xì)分為支撐前期、支撐中期、支撐末期；擺動期細(xì)分為擺動前期、擺動中期、擺動末期.

圖5 5種運(yùn)動模式髖關(guān)節(jié)角度信號Fig.5 Five kinds of locomotion mode hip angle signal

圖6 殘疾人髖關(guān)節(jié)健肢側(cè)與殘肢側(cè)角度比較Fig.6 Comparison of angles of hip between sound limb and residual limb of disabled people

在提取髖關(guān)節(jié)角度特征時，首先求出在各運(yùn)動模式下對應(yīng)的支撐期和擺動期的角度均值θ，然后分別求出在各運(yùn)動細(xì)分模式下對應(yīng)角度均值θ1，最后以兩者求比值作為特征值.

式中：θr為采樣區(qū)間內(nèi)髖關(guān)節(jié)角度值，χr為對應(yīng)時期的采樣點(diǎn)數(shù)，wr為細(xì)分運(yùn)動模式下的采樣點(diǎn)數(shù).

2.3 髖關(guān)節(jié)加速度特征提取

人體行走和上下樓梯時髖關(guān)節(jié)的加速度不同，加速度也是表征下肢運(yùn)動模式的重要信息.圖7～10給出了健康人和殘疾人不同運(yùn)動模式下加速度信號.對每位受試者每種模式運(yùn)動各100次進(jìn)行分析后，定義了運(yùn)動能量，表達(dá)式為

圖7 健康人5種運(yùn)動模式下的髖關(guān)節(jié)加速度X軸電壓信號Fig.7 Voltage signals of X axis acceleration of hip of healthy people under five kinds of locomotion modes

圖8 健康人5種運(yùn)動模式下的髖關(guān)節(jié)加速度Y軸電壓信號Fig.8 Voltage signals of Y axis acceleration of hip of healthy people under five kinds of locomotion modes

圖9 殘疾人5種運(yùn)動模式下的髖關(guān)節(jié)加速度X軸電壓信號Fig.9 Voltage signals of X axis acceleration of hip of disabled people under five kinds of locomotion modes

圖10 殘疾人5種運(yùn)動模式下的髖關(guān)節(jié)加速度Y軸電壓信號Fig.10 Voltage signals of Y axis acceleration of hip of disabled people under fire kinds of locomotion modes

式中：aχi、a yi為加速度傳感器χ軸、y軸分量，gχ、g y分別為重力加速度g在傳感器χ、y軸分量，L為單周期信號長度.在不同運(yùn)動模式下，加速度能量峰值有較大差異，可以作為加速度特征值.加速度χ軸與y軸相關(guān)性，χ、y軸標(biāo)準(zhǔn)差為另外3個特征值.

2.4 多源信息融合

特征值過多會使分類器訓(xùn)練時間長，人們希望在進(jìn)行定量分析的過程中涉及的特征值較少，而得到的信息量又不會減少［15］.特征值融合可以減少冗余數(shù)據(jù).主成分分析的基本思想是用較少的變量代替原來的變量，而新變量是原來變量的某種組合［16-17］.該方法在多傳感器信息融合應(yīng)用廣泛.設(shè)不同運(yùn)動模式下d個樣本共有p維特征值，融合算法如下：

1）為了消除量綱影響和特征值大小的影響，將樣本變換為平均值為0，方差為1的標(biāo)準(zhǔn)化數(shù)據(jù)，得到以下標(biāo)準(zhǔn)化矩陣：

4）求第j個主成分的貢獻(xiàn)率：

5）選取前m個主成分，使得這些主成分的貢獻(xiàn)率滿足

6）求前m個主成分作為融合后的特征值：

3 PSO-BP算法

PSO算法具有全局隨機(jī)搜索最優(yōu)解和梯度下降局部細(xì)致搜索的特點(diǎn)，并且具有較快的收斂速度［18-19］.本文采用PSO算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值.該算法基于群體迭代，群體在解空間中追隨最優(yōu)粒子進(jìn)行搜索.在PSO算法中，每個個體為一個粒子，每個粒子代表一個潛在的解.在每次迭代過程中，粒子通過個體極值（pbest）和群體極值（gbest）更新自身的速度和位置，即

式中：v o為粒子的速度；χo為粒子當(dāng)前位置，o表示迭代次數(shù)；c1、c2為學(xué)習(xí)因子，學(xué)習(xí)因子使粒子具有向群體中優(yōu)秀個體學(xué)習(xí)的能力；r1、r2為0～1.0的獨(dú)立隨機(jī)數(shù)；w為慣性因子，反映粒子在運(yùn)動中受慣性的影響，

其中，wmax、wmin分別為最大和最小慣性因子，ηmax為最大迭代數(shù)，η為當(dāng)前迭代數(shù).

在PSO-BP算法中，粒子群的位置χo表示BP網(wǎng)絡(luò)的所有權(quán)值和閾值.粒子優(yōu)化的適應(yīng)度函數(shù)為

式中：Z為訓(xùn)練集數(shù)目，C為神經(jīng)網(wǎng)絡(luò)輸出神經(jīng)元數(shù)目，分別為第Λ個樣本的第H個網(wǎng)絡(luò)輸出節(jié)點(diǎn)的理想輸出和實(shí)際輸出.

PSO-BP算法的基本流程如下：

1）初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；

2）設(shè)置粒子群參數(shù)，包括種群規(guī)模、迭代次數(shù)、慣性因子最大值、最小值等；

3）初始化所有粒子的速度和位置；

4）計(jì)算樣本中每個粒子對應(yīng)的適應(yīng)度值；

5）如果該粒子的當(dāng)前適應(yīng)度函數(shù)值優(yōu)于pbest對應(yīng)的適應(yīng)度值，則更新pbest；

6）如果該粒子的歷史最優(yōu)值優(yōu)于gbest對應(yīng)的適應(yīng)度值，則更新gbest；

7）根據(jù)式（9）和（10）更新每個粒子的速度和位置；

8）迭代次數(shù)加1，檢查是否符合結(jié)束條件，如果達(dá)到最大迭代次數(shù)或達(dá)到最小誤差要求，則終止迭代，否則跳轉(zhuǎn)至步驟4）；

9）用步驟8）輸出的權(quán)值和閾值對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.

4 人體下肢運(yùn)動模式識別實(shí)驗(yàn)

4.1 實(shí)驗(yàn)對象、實(shí)驗(yàn)平臺

人體下肢的動作包含多種運(yùn)動模式，本研究主要包括平地行走、上坡、下坡、上樓梯和下樓梯動作.在實(shí)驗(yàn)過程中，為避免性別及年齡因素對傳感器信號造成影響，本研究選擇3位研究生（S1、S2、S3）和1位安裝假肢的小腿截肢患者 （S4）作為受試者.為確保實(shí)驗(yàn)數(shù)據(jù)的客觀性，3位研究生無任何下肢關(guān)節(jié)損傷，無肌肉骨骼病史，實(shí)驗(yàn)期間身體狀況良好，實(shí)驗(yàn)前沒有進(jìn)行任何形式的劇烈運(yùn)動，基本資料（年齡、身高、體重、步長、腿長）如表1所示.

表1 受試者基本資料Tab.1 Basic data of subjects

實(shí)驗(yàn)中，選用美國Delsys公司生產(chǎn)的Trigno無線EMG傳感器，EMG傳感器帶有一個嵌入的兩軸加速度計(jì)，采樣頻率為1 k Hz.該儀器可以同時采集四路表面肌電信號，采集到的肌電信號和加速度信號通過無線網(wǎng)絡(luò)傳輸?shù)诫娔X.陀螺儀傳感器選用村田公司的壓電振動陀螺儀傳感器ENC-03，數(shù)據(jù)采集卡選用加拿大Quanser公司的QPID數(shù)據(jù)采集卡，通過采集卡采集到電腦，采樣頻率1 k Hz.為最大限度的采集肌電信號，首先對選取的下肢肌肉使用異丙醇墊擦拭皮膚表面的油質(zhì)和殘留，然后使用Delsys膠黏劑傳感器接口將傳感器放到皮膚上.受試者首先完成平地行走、上坡、下坡、上樓、下樓5個動作5次，這5次為熟悉性操作，隨后每位受試者在不同運(yùn)動模式分別采集200組數(shù)據(jù)，共1 000組數(shù)據(jù).按60%、20%和20%的比例將4位受試者的實(shí)測樣本數(shù)據(jù)分為訓(xùn)練樣本、校驗(yàn)樣本和測試樣本.平地行走在跑步機(jī)上完成，設(shè)定跑步機(jī)速度為3 km／h，上下樓梯、上下坡實(shí)驗(yàn)在一個由6臺階、3.5 m長、坡度為15°的斜坡上完成.為避免行走速度影響實(shí)驗(yàn)結(jié)果，受試者上下樓梯、上下坡均以正常速度進(jìn)行針對所要研究的5種運(yùn)動模式，搭建上下樓梯、上下坡、平地行走實(shí)驗(yàn)平臺，實(shí)驗(yàn)平臺由梯梯、斜坡及平面板組成，如圖11（a）所示.圖11（b）為下肢多源信息采集系統(tǒng).

圖11 下肢運(yùn)動模式識別實(shí)驗(yàn)平臺及多源信息采集系統(tǒng)Fig.11 Lower limb locomotion mode identification experimental platform and multi-source information measurement system

4.2 特征提取與融合實(shí)驗(yàn)分析

使用Matlab工具進(jìn)行仿真，每個樣本按2.1～2.3節(jié)方法進(jìn)行特征提取，每個樣本特征值為6+4+12=22維，通過主成分分析融合算法對特征值融合.表2給出了主成分分析表，不難看出，前8個主成分的累計(jì)貢獻(xiàn)率已達(dá)到87.998%，累計(jì)貢獻(xiàn)率為0.85的主成分基本包含了全部特征值的信息，可以概括原始特征值，利用式（8）求得前8個主成分作為融合后的特征值.

表2 主成分的貢獻(xiàn)率和累積貢獻(xiàn)率Tab.2 Principal component contribution rate and cumulative contribution rate

4.3 BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)目為8，輸入層與隱含層之間采用S型函數(shù)，隱含層與輸出層之間采用S型函數(shù).待識別的運(yùn)動模式一共有5種，為提高BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)設(shè)置為3，分別用［0，0，1］、［0，1，0］、［1，0，0］、［1，0，1］、［0，1，1］5種不同的輸出結(jié)果表示平地行走、上樓、下樓、上坡、下坡.由于神經(jīng)元的激勵函數(shù)選用的是S型函數(shù)，期望輸出為0或1可能導(dǎo)致算法不收斂，本文算法中用0.1代表0，用0.9代表1.隱藏層的神經(jīng)元節(jié)點(diǎn)數(shù)的選擇根據(jù)參考公式確定.Michael［20］認(rèn)為當(dāng)l＞q時，隱藏層的神經(jīng)元節(jié)點(diǎn)數(shù)取表示樣本的輸入節(jié)點(diǎn)數(shù)，q表示樣本的輸出節(jié)點(diǎn)數(shù).本文中隱藏層節(jié)點(diǎn)數(shù)是.因此，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為8—5—3.

4.4 PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)初始權(quán)值有8×5+5×3=55個，初始閾值有5+3=8個.粒子的維數(shù)是55+8=63維.粒子群參數(shù)設(shè)置如下：粒子種群數(shù)目為40；c1=c2=2；r1、r2∈ （0，1.0）；wmax=0.9，wmin=0.4.粒子在63維空間中對BP網(wǎng)絡(luò)權(quán)值閾值尋優(yōu)，然后采用BP算法訓(xùn)練經(jīng)過粒子群尋優(yōu)的權(quán)值和閾值.PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法用第3章的方法編程.

4.5 實(shí)驗(yàn)結(jié)果

利用實(shí)驗(yàn)數(shù)據(jù)對相同結(jié)構(gòu)的PSO-BP神經(jīng)網(wǎng)絡(luò)和BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)置網(wǎng)絡(luò)訓(xùn)練最大迭代次數(shù)為2 000，誤差目標(biāo)為10-5，n為訓(xùn)練次數(shù)，ε為均方誤差.網(wǎng)絡(luò)訓(xùn)練時的收斂曲線分別如圖12、13所示，比較結(jié)果見表3.PSO-BP網(wǎng)絡(luò)收斂速度和精度優(yōu)于BP網(wǎng)絡(luò).因此，選用PSO-BP網(wǎng)絡(luò)對運(yùn)動模式進(jìn)行識別.

圖12 BP網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.12 BP network training error curve

圖13 PSO-BP網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.13 PSO-BP network training error curve

表3 BP和PSO-BP算法訓(xùn)練結(jié)果比較Tab.3 Comparison of training results between BP and PSOBP algorithms___________________________

表4 受試者下肢運(yùn)動模式識別正確率Tab.4 Lower limb locomotion-mode recognition accuracy

將PSO-BP訓(xùn)練好的網(wǎng)絡(luò)保存后，作為測試數(shù)據(jù)識別的工具.表4給出了下肢運(yùn)動模式識別率r及每種運(yùn)動模式的平均識別時間t.每種運(yùn)動模式的平均識別時間小于殘疾人的步態(tài)周期，表明本文提出的識別方法有較好的實(shí)時性.在測試的200×4組數(shù)據(jù)中，共有766組被正確地識別出來.實(shí)驗(yàn)結(jié)果表明，受試者的平地行走、上坡、下坡、上樓、下樓5種運(yùn)動模式的識別率分別達(dá)到98.13%、100.00%、98.75%、95.00%及93.75%，平均識別率為95.75%.本文方法與單獨(dú)利用肌電信號的步態(tài)識別［21］和單獨(dú)利用腿部運(yùn)動信息的步態(tài)識別［22-23］方法相比具有更高的識別率.其中，上坡、下坡、平地行走運(yùn)動模式識別出錯較多，原因是相似動作之間的混淆分類.實(shí)驗(yàn)使用的實(shí)驗(yàn)平臺是依照建筑無障礙通道的15°坡度，斜坡坡度較低，上、下坡運(yùn)動模式與平地行走模式的數(shù)據(jù)較相似，造成部分樣本的誤識別.

5 結(jié) 語

為了提高人體下肢動作模式識別率，利用加速度傳感器、陀螺儀傳感器、肌電信號傳感器搭建人體下肢多源信息采集系統(tǒng).提取這3種信號的特征，并將此進(jìn)行多源信息融合，結(jié)合PSO算法和BP神經(jīng)網(wǎng)絡(luò)提出一種新的下肢運(yùn)動模式識別方法.實(shí)驗(yàn)結(jié)果表明：該算法能正確地識別下肢運(yùn)動模式，豐富了人體下肢運(yùn)動識別的方法，為人體下肢智能輔助設(shè)備的研發(fā)提供了理論基礎(chǔ)，但是該方法距離實(shí)用性還有一定的差距.基于PC機(jī)的多源信息采集系統(tǒng)比較龐大，下一步工作的重點(diǎn)是開發(fā)出一套小型化嵌入式信號獲取系統(tǒng)，以便于信號的采集與識別.

（

）:

［1］楊鵬，劉作軍，耿艷利，等.智能下肢假肢關(guān)鍵技術(shù)研究進(jìn)展［J］.河北工業(yè)大學(xué)學(xué)報(bào)，2013，42（1）：76- 80.YANG Peng，LIU Zuo-jun，GENG Yan-li，et al.Research advance on key technology of intelligent lower limb prosthesis［J］.Journal of Hebei University of Technology，2013，42（1）：76- 80.

［2］FRANK S，HUSEYIN A V，MICHAEL G.Upslope walking with a powered knee and ankle prosthesis：initial results with an amputee subject［J］.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2011，19（1）：71- 79.

［3］ABEL E W，ZACHARIA P C，F(xiàn)ORSTER A，et al.Neural network analysis of the EMG interference pattern［J］.Medical Engineer and Physics，1996，18（1）：12- 17.

［4］佘青山，孟 明，羅志增，等.基于多核學(xué)習(xí)的下肢肌電信號動作識別［J］.浙江大學(xué)學(xué)報(bào)：工學(xué)版，2010，44（7）：1292- 1297.SHE Qing-shan，MENG Ming，LUO Zhi-zeng，et al.Electromyography movement recognition of lower limb based on multiple kernel learning［J］.Journal of Zhejiang University：Engineering Science，2010，44（7）：1292- 1297.

［5］吳劍鋒，吳 群，孫守遷，等.簡約支持向量機(jī)分類算法在下肢動作識別中的應(yīng)用研究［J］.中國機(jī)械工程，2011，22（4）：433- 438.WU Jian-feng，WU Qun，SUN Shou-qian.Research on classification algorithm of reduced support vector machine for low limb movement recognition［J］.Chinese Journal of Mechanical，2011，22（4）：433- 438.

［6］HE H，TODD A K，ROBERT D L.A strategy for identifying locomotion modes using surface electromyography［J］.IEEE Transactions on Biomedical Engineering，2009，56（1）：65- 73.

［7］DU L，ZHANG F，LIU M，et al.Toward design of an environment-aware adaptive locomotion-mode-recognition system ［J］.IEEE Transactions on Biomedical Engineering，2012，59（10）：2716- 2726.

［8］STOLZE H，KUHTZ-BUSCHBECK J P，MONDWURF C，et al.Retest reliability of spatiotemporal gait parameters in children and adults ［J］.Gait and Posture，1998，7（2）：125- 130.

［9］MILICA D.Automatic recognition of gait phases from accelerations of leg segments［C］∥ 9th Symposium on Neural Network Applications in Electrical Engineering.Belgrade：［s.n.］，2008：121- 124.

［10］LAU H，TONG K.The reliability of using accelerometer and gyroscope for gait event identification on persons with dropped foot［J］.Gait and Posture，2008，27（2）：248- 257.

［11］OSCAR D，ALFREDO J，MIGUEL A，et al.Centinela：a human activity recognition system based on acceleration and vital sign data［J］.Pervasive and Mobile Computing，2012，8（5）：717- 729.

［12］李柞泳，汪嘉楊，郭淳.PSO算法優(yōu)化BP網(wǎng)絡(luò)的新方法及仿真實(shí)驗(yàn)［J］.電子學(xué)報(bào)，2008，36（11）：2224- 2228.LI Zuo-yong，WANG Jia-yang，GUO Chun.A new method of BP network optimized based on particle swarm optimization and simulation test［J］.Acta Electronica Sinica，2008，36（11）：2224- 2228.

［13］HA K H，VAROL H A，GOLDFARB M.Volitional control of a prosthetic knee using surface electromyography［J］.IEEE Transactions on Biomedical Engineering，2011，58（1）：144- 151.

［14］王喜太，王強(qiáng)，張曉玉，等.基于肌電傳感器的下肢殘肢康復(fù)訓(xùn)練模式識別的研究［J］.中國康復(fù)理論與實(shí)踐，2009，15（1）：90- 92.WANG Xi-tai， WANG Qiang，ZHANG Xiao-yu，et al.Pattern recognition in rehabilitative exercises of lower residual limbs based on electromyography sensor［J］.Chinese Journal of Rehabilitation Theory and Practise，2009，15（1）：90- 92.

［15］鮑必賽，樓曉俊，李雋穎.主成分分析在震動信號目標(biāo)識別算法中的應(yīng)用［J］.華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，40（7）：24- 28.BAO Bi-sai，LOU Xiao-jun，LI Jun-ying.Application of principal component analysis in target recognition algorithm of seismic signals［J］.Joarnal of Huazhong University of Science and Technology：Natural Science Edition，2012，40（7）：24- 28.

［16］董九英.多傳感器數(shù)據(jù)融合的主成分方法研究［J］.計(jì)算機(jī)工程與應(yīng)用，2009，45（33）：111- 113.DONG Jiu-ying.Study on principle component method for multi-sensor data fusion［J］.Computer Engineering and Applications，2009，45（33）：111- 113.

［17］石欣，雷璐寧，熊慶宇.基于二次特征提取與SVM的異常步態(tài)識別［J］.儀器儀表學(xué)報(bào)，2011，32（3）：673- 677.SHI Xin，LEI Lu-ning，XIONG Qing-yu.Abnormal gait recognition based on quadratic feature extraction and support vector machine［J］.Chinese Journal of Scientific Instrument，2011，32（3）：673- 677.

［18］羅勇，和小娟.基于組合特征和PSO-BP算法的數(shù)字識別［J］.信息與控制，2011，40（3）：375- 380.LUO Yong，HE Xiao-juan.Digital recognition based on combined feature and PSO-BP algorithm［J］.Information and Control，2011，32（3）：673- 677.

［19］KENNEDY J，EBERHART R.Particle swarm optimization［C］∥Proceedings of the IEEE International Conference on Neural Networks.Piscatawav：IEEE，1995：1942- 1948.

［20］MICHAEL W R.Survey of neural network technology for automatic target recognition［J］.IEEE Transactions Neural Networks，1990，1（1）：28- 43.

［21］刑秀玉，劉鴻宇，黃武.基于加速度的小波能量特征及樣本熵組合的步態(tài)分類算法［J］.傳感技術(shù)學(xué)報(bào)，2013，26（4）：545- 549.XING Xiu-yu，LIU Hong-yu，HUANG Wu.Gait pattern classification with wavelet energy and sample entropy based on acceleration signals［J］.Chinese Journal of Sensors and Actuators，2013，26（4）：545- 549.

［22］茍斌，劉作軍，趙麗娜.基于相關(guān)性分析的下肢假肢步行模式預(yù)識別方法研究［J］.東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，43（S1）：192- 196.Gou Bin，Liu Zuo-jun，Zhao Li-na.Walking mode prejudgment of lower limb prosthesis based on correlation analysis［J］.Journal of Southeast University：Natural Science Edition，2013，43（S1）：192- 196.

［23］YANG Peng，CHEN Ling-ling，GUO Xin，et al.Artificial lower limb with myoelectrical control based on support vector machine［C］∥ Proceedings of the 6th World Congress on Intelligent Control and Automation.Dalian：［s.n.］，2006：9486- 9489.