基于人體模型約束的步態(tài)動(dòng)態(tài)識(shí)別方法

劉今越，李慧宇，賈曉輝，李佳蕊

（河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300401）

0 引言

人體運(yùn)動(dòng)步態(tài)識(shí)別在外骨骼機(jī)器人運(yùn)動(dòng)控制、醫(yī)療檢查等領(lǐng)域應(yīng)用廣泛［1-3］。助力型外骨骼機(jī)器人主要用于部隊(duì)后勤、搶險(xiǎn)救災(zāi)等場(chǎng)景，必須及時(shí)感知人體運(yùn)動(dòng)狀態(tài)，使外骨骼機(jī)器人更精準(zhǔn)地與人體協(xié)同運(yùn)動(dòng)，達(dá)到助力效果［4］。在醫(yī)療康復(fù)領(lǐng)域，準(zhǔn)確的步態(tài)識(shí)別技術(shù)可以檢測(cè)運(yùn)動(dòng)狀態(tài)，對(duì)帕金森病癥中的步態(tài)功能障礙進(jìn)行預(yù)警，避免可能發(fā)生的跌倒損傷等危險(xiǎn)［5］。

運(yùn)動(dòng)狀態(tài)識(shí)別的關(guān)鍵是準(zhǔn)確采集人體運(yùn)動(dòng)信息并進(jìn)行特征提取。國(guó)內(nèi)外學(xué)者在該領(lǐng)域開展了廣泛研究。表面肌電信號(hào)方法（surface ElectroMyoGraphy，sEMG）采用非侵入方式將傳感器電極連接到人體表面皮膚，通過(guò)采集表面肌電信號(hào)、分析神經(jīng)肌肉和步態(tài)相位的相關(guān)性［6-7］以檢測(cè)人體運(yùn)動(dòng)信息。由于肌電信號(hào)比較微弱復(fù)雜，電極的連接狀態(tài)易受皮膚表面出汗等因素影響，不能穩(wěn)定采集人體運(yùn)動(dòng)信息，而且導(dǎo)線會(huì)對(duì)人體運(yùn)動(dòng)產(chǎn)生一定的阻礙作用。另外，使用Kniect深度相機(jī)［8］或光學(xué)運(yùn)動(dòng)捕捉系統(tǒng)動(dòng)態(tài)捕捉人體高精度三維位置與運(yùn)動(dòng)姿態(tài)信息，可檢測(cè)并識(shí)別步態(tài)［9］，但是使用場(chǎng)景限制較大。目前，基于機(jī)器學(xué)習(xí)的人體運(yùn)動(dòng)步態(tài)識(shí)別方法應(yīng)用較廣［10］。Weigand等［11］使用壓力傳感器和慣性測(cè)量單元（Inertial Measurement Unit，IMU）分別測(cè)定步態(tài)周期起止位置以及小腿的運(yùn)動(dòng)變量，并結(jié)合k-最近鄰（k-Nearest Neighbor，kNN）和人工神經(jīng)網(wǎng)絡(luò)方法識(shí)別步態(tài)，但未對(duì)步態(tài)進(jìn)行細(xì)分，無(wú)法準(zhǔn)確得知當(dāng)前的運(yùn)動(dòng)狀態(tài)。Su等［12］將IMU 分別布置在大腿、小腿與腳踝處，將測(cè)量出的運(yùn)動(dòng)數(shù)據(jù)組成“圖像”并輸入深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），可實(shí)現(xiàn)多個(gè)步態(tài)相位的識(shí)別，但使用的傳感器個(gè)數(shù)較多且布置復(fù)雜，不利于人體自由運(yùn)動(dòng)。趙飛［13］將IMU 布置在足跟部位采集運(yùn)動(dòng)數(shù)據(jù)，將4 個(gè)薄膜壓力傳感器放置于足底采集足底壓力數(shù)據(jù)，采用支持向量機(jī)識(shí)別不同步態(tài)模式，雖然減少了對(duì)人體運(yùn)動(dòng)的影響，但因壓力傳感器分辨率低且只能采集4 個(gè)測(cè)量點(diǎn)的足底壓力數(shù)據(jù)，容易丟失關(guān)鍵的壓力信息。

針對(duì)步態(tài)檢測(cè)受場(chǎng)景限制、傳感器布置復(fù)雜以及壓力傳感器分辨率低等問(wèn)題，本文提出一種基于人體模型約束的步態(tài)動(dòng)態(tài)識(shí)別方法。識(shí)別流程如圖1 所示，首先，利用AMS（Anybody Modeling System）軟件建立人體仿真模型，進(jìn)行運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)分析，得到足底壓力、足部運(yùn)動(dòng)位移仿真數(shù)據(jù)以及對(duì)應(yīng)的姿勢(shì)，并劃分運(yùn)動(dòng)過(guò)程中的步態(tài)相位，構(gòu)建真實(shí)數(shù)據(jù)與仿真數(shù)據(jù)間的映射模型；然后，應(yīng)用柔性壓力傳感器采集行走過(guò)程的足底壓力數(shù)據(jù)，動(dòng)態(tài)判斷支撐相步態(tài)相位；應(yīng)用IMU 采集足部運(yùn)動(dòng)數(shù)據(jù)，運(yùn)用零速修正算法消除累積誤差獲得足部運(yùn)動(dòng)位移量，根據(jù)位移規(guī)律確定擺動(dòng)相步態(tài)相位；最后，使用CNN 訓(xùn)練行走步態(tài)數(shù)據(jù)，以準(zhǔn)確識(shí)別步態(tài)。

圖1 步態(tài)識(shí)別流程Fig.1 Flow of gait recognition

1 數(shù)據(jù)采集系統(tǒng)

在人體運(yùn)動(dòng)過(guò)程中，完整采集足底壓力分布與足部運(yùn)動(dòng)特征可獲取運(yùn)動(dòng)關(guān)鍵信息。本文結(jié)合足底壓力傳感器與IMU 搭建足部運(yùn)動(dòng)數(shù)據(jù)采集系統(tǒng)。如圖2 所示，采集高分辨率足底壓力與足部運(yùn)動(dòng)數(shù)據(jù)。足底壓力傳感器選用電容式柔性壓力傳感器［14］，結(jié)構(gòu)及工作原理如圖3 所示。

圖2 傳感器布局Fig.2 Sensor layout

圖3 壓力傳感器結(jié)構(gòu)及工作原理Fig.3 Structure and operation principle of pressure sensor

傳感器中上電極層鋪設(shè)32 行、下電極層鋪設(shè)16 列相互平行的條狀電極，上下電極層的條狀電極垂直布置，各導(dǎo)電電極相互交叉，共形成512 個(gè)交叉點(diǎn)陣列分布，每一個(gè)電極交叉點(diǎn)即為一個(gè)電容單元。當(dāng)有壓力作用于傳感器表面時(shí)，受壓區(qū)域的電容單元電介質(zhì)層發(fā)生變形導(dǎo)致電容值改變，實(shí)現(xiàn)足底相應(yīng)區(qū)域壓力數(shù)據(jù)的高分辨率采集，以保證足底壓力數(shù)據(jù)的完整性。IMU 選用包含3 個(gè)單軸加速度計(jì)和3 個(gè)單軸陀螺儀的6 軸IMU，其中：3 個(gè)加速度計(jì)分別輸出物體在載體坐標(biāo)系下的3 個(gè)線性加速度；3 個(gè)陀螺儀分別輸出載體相較于導(dǎo)航坐標(biāo)系的3 個(gè)角速度。

2 人體模型約束

2.1 建立人體模型

AMS 軟件可用于人體動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)仿真分析。本文修改軟件內(nèi)置模型庫(kù)中的模型參數(shù)，搭建了身高1.78 m、體重75 kg 的肌肉骨骼模型，模型空間坐標(biāo)系設(shè)定為X方向指向人體右側(cè)，Y方向指向人體前進(jìn)方向，Z方向由右手坐標(biāo)系確定。按照AMS 中模型標(biāo)記點(diǎn)的布置規(guī)則，將光學(xué)標(biāo)記點(diǎn)粘貼在捕捉對(duì)象的相應(yīng)位置，應(yīng)用OptiTrack 運(yùn)動(dòng)捕捉設(shè)備采集捕捉對(duì)象上光學(xué)標(biāo)記點(diǎn)的空間位置，將數(shù)據(jù)保存為C3D格式，導(dǎo)入AMS 中進(jìn)行運(yùn)動(dòng)學(xué)與逆動(dòng)力學(xué)仿真。

本文在模型足底創(chuàng)建了24 個(gè)測(cè)力點(diǎn)，分8 行排列，列數(shù)隨足底形狀不規(guī)則分布，最寬處為4 列。根據(jù)實(shí)際IMU 的安裝位置，在人體模型對(duì)應(yīng)部位設(shè)置測(cè)量點(diǎn)，記錄步態(tài)過(guò)程中的位移數(shù)據(jù)，如圖4（a）所示。在逆動(dòng)力學(xué)仿真過(guò)程中，當(dāng)測(cè)力點(diǎn)接觸地面時(shí)，產(chǎn)生使模型保持平衡所需要的支反力，將它作為足底壓力仿真數(shù)據(jù)。采用自然鄰點(diǎn)插值算法將足底壓力仿真數(shù)據(jù)拓展為與真實(shí)足底壓力數(shù)據(jù)相等的32 行16 列并處理成腳印形狀，如圖4（b）所示。

圖4 足部測(cè)量點(diǎn)分布與足底壓力仿真結(jié)果Fig.4 Distribution of measurement points in foot and plantar pressure simulation results

2.2 模型約束下步態(tài)分類

步態(tài)周期指行走過(guò)程中兩個(gè)相同事件發(fā)生的時(shí)間間隔，以右足足跟觸地為步態(tài)周期分界點(diǎn)，一個(gè)步態(tài)周期包括支撐相和擺動(dòng)相兩部分，分別占整個(gè)步態(tài)周期的60%和40%［15］。本文分析足底壓力數(shù)據(jù)與模型步態(tài)特征，將支撐相的壓力數(shù)據(jù)步態(tài)相位細(xì)分為足跟觸地（Heel Contact，HC）、足弓觸地（Arch Contact，AC）、足平放（Stance，ST）、足跟離地（Heel Off，HO）、足前支撐（Forefoot Support，F(xiàn)S）五種狀態(tài)。

在運(yùn)動(dòng)過(guò)程中，足部位移數(shù)據(jù)的步態(tài)特征相較于加速度或角速度數(shù)據(jù)更加明顯。因此，根據(jù)模型運(yùn)動(dòng)規(guī)律及仿真位移曲線可以分析行走過(guò)程中下肢的步態(tài)特征。由于足部位移數(shù)據(jù)無(wú)法區(qū)分除足平放之外的其他支撐相狀態(tài)，故將足跟離地、足前支撐狀態(tài)合并為預(yù)擺動(dòng)；將足跟觸地、足弓觸地狀態(tài)合并為預(yù)支撐。沿Z軸方向的仿真位移曲線如圖5 所示，將整個(gè)步態(tài)周期劃分為6 個(gè)區(qū)域。其中：Ⅰ為預(yù)擺動(dòng)；Ⅱ?yàn)樽慵怆x地至位移曲線第1 高點(diǎn)，設(shè)為擺動(dòng)初期（Initial Swing，IS）；Ⅲ為小腿開始擺動(dòng)至位移曲線最低點(diǎn)，設(shè)為擺動(dòng)中期（Mid Swing，MS）；Ⅳ為小腿繼續(xù)擺動(dòng)直至足跟觸地，設(shè)為擺動(dòng)末期（Terminal Swing，TS）；Ⅴ為預(yù)支撐；Ⅵ為足平放。

圖5 行走運(yùn)動(dòng)的仿真位移曲線Fig.5 Simulated displacement curve of walking action

2.3 回歸映射模型

對(duì)仿真數(shù)據(jù)進(jìn)行步態(tài)劃分以確定真實(shí)數(shù)據(jù)支撐相的步態(tài)特征。本文應(yīng)用多元線性回歸方法建立真實(shí)壓力數(shù)據(jù)與仿真壓力數(shù)據(jù)之間映射模型以確定對(duì)應(yīng)關(guān)系。多元線性回歸模型的矩陣形式為：

選取支撐相內(nèi)2 000 幀真實(shí)壓力數(shù)據(jù)訓(xùn)練映射模型回歸系數(shù)，建立映射模型，將仿真數(shù)據(jù)輸入模型，獲得映射數(shù)據(jù)。

3 步態(tài)相位動(dòng)態(tài)檢測(cè)

3.1 支撐相動(dòng)態(tài)特征提取

本文利用運(yùn)動(dòng)過(guò)程產(chǎn)生的動(dòng)態(tài)信息，將足底壓力數(shù)據(jù)按照不同步態(tài)相位進(jìn)行分割。足底接觸面積占全足底接觸面積的百分比與足底各區(qū)域壓強(qiáng)峰值、沖量隨著受試者身體質(zhì)量指數(shù)（Body Mass Index，BMI）的增加而增大［16］。因此，需對(duì)不同BMI 人群的足底壓力數(shù)據(jù)進(jìn)行泛化處理。為避免使用單一數(shù)據(jù)特征造成的壓力數(shù)據(jù)區(qū)分不明顯，首先，利用高分辨率壓力傳感器，得到足底壓力圖像面積、壓力均值以及方差特征；然后，分別求取這三種特征在運(yùn)動(dòng)狀態(tài)與站立狀態(tài)的比例關(guān)系，通過(guò)計(jì)算特征比例的模值進(jìn)行特征融合，得到不同BMI 人群足底壓力數(shù)據(jù)特征的統(tǒng)一描述，公式表示為：

其中：Sk、Mk、Vk分別表示運(yùn)動(dòng)過(guò)程中k時(shí)刻足底與地面接觸面積、足底壓力平均值、足底壓力方差。運(yùn)動(dòng)從站立狀態(tài)開始，故S1、M1、V1為第1 時(shí)刻站立狀態(tài)下的三種特征。

為描述運(yùn)動(dòng)中足底壓力的變化過(guò)程，以確定不同的步態(tài)相位，基于足底的結(jié)構(gòu)和形狀特點(diǎn)將足底按照1∶2∶1∶2 的比例分為趾骨、跖骨、足弓、跟骨區(qū)域四個(gè)區(qū)域，如圖6 所示。

圖6 足底壓力區(qū)域劃分Fig.6 Plantar pressure area division

行走過(guò)程中的足底壓力連續(xù)變化，因此，通過(guò)各區(qū)域特征值的動(dòng)態(tài)變化信息提取步態(tài)相位。本文使用當(dāng)前幀特征值與前一幀特征值的差異比例表示足底壓力數(shù)據(jù)的動(dòng)態(tài)變化信息，可表示為：

分析映射數(shù)據(jù)在步態(tài)相位轉(zhuǎn)換時(shí)4 個(gè)區(qū)域動(dòng)態(tài)信息fk的變化情況，以確定每個(gè)步態(tài)相位的判斷條件，如表1 所示。表1 中，fk=-inf 表示前一幀數(shù)據(jù)為0，當(dāng)前幀數(shù)據(jù)不為0；fk＜0 表示前一幀數(shù)據(jù)小于當(dāng)前幀數(shù)據(jù)；fk=0 表示前一幀數(shù)據(jù)與當(dāng)前幀數(shù)據(jù)相等；fk＞0 表示前一幀數(shù)據(jù)大于當(dāng)前幀數(shù)據(jù)；fk=1 表示前一幀數(shù)據(jù)不為0，當(dāng)前幀數(shù)據(jù)為0。

表1 步態(tài)相位判斷條件Tab.1 Gait phase judgment conditions

3.2 擺動(dòng)相特征提取

使用基于卡爾曼濾波的零速修正算法消除捷聯(lián)式導(dǎo)航系統(tǒng)工作時(shí)產(chǎn)生的累積位移誤差，獲得足部運(yùn)動(dòng)位移。設(shè)卡爾曼濾波系統(tǒng)模型為慣性導(dǎo)航系統(tǒng)，狀態(tài)量為速度與位移的估計(jì)誤差，測(cè)量值為零速狀態(tài)下IMU 的輸出數(shù)據(jù)。

零速檢測(cè)失敗會(huì)使位移累積誤差增大。通過(guò)固定閾值判斷加速度特征進(jìn)而確定零速區(qū)間的方法，對(duì)于不同個(gè)體需要重新選取閾值，因?yàn)椴煌说南轮珨[動(dòng)加速度不同［17］。本文基于足底壓力傳感器動(dòng)態(tài)檢測(cè)步態(tài)，可獲取不同速度下足平放步態(tài)相位，根據(jù)人體運(yùn)動(dòng)規(guī)律可以判定，當(dāng)足平放時(shí)足部為零速狀態(tài)。

本文使用的IMU 可直接輸出校準(zhǔn)后的歐拉角和四元數(shù)?？紤]到四元數(shù)法計(jì)算量小且精度較高［18］，因此利用四元數(shù)法對(duì)線性加速度進(jìn)行坐標(biāo)系轉(zhuǎn)換，即：

其中：aN為導(dǎo)航坐標(biāo)系下的線性加速度；aB為IMU 坐標(biāo)系下的線性加速度；q為四元數(shù)，q*為四元數(shù)的共軛。

將9 維的誤差狀態(tài)向量xk=[ ΔψkT，ΔpkT，ΔvkT]設(shè)為卡爾曼濾波的狀態(tài)量，其中：Δψk、Δpk和Δvk分別為三維姿態(tài)角、位移和速度估計(jì)。因此，狀態(tài)方程表示為：

測(cè)量方程表示為：

其中：Zk為測(cè)量誤差；H=[ 0，0，I]為測(cè)量矩陣；I為3×3 的單位矩陣；nk為協(xié)方差Rk=E(nk·nkT)的測(cè)量噪聲。

圖7 為通過(guò)上述方法獲得的真實(shí)足部在Z軸的位移與速度曲線。依據(jù)人體模型得到的擺動(dòng)相劃分規(guī)律，確定圖中位移曲線A 點(diǎn)為擺動(dòng)中期相位起始幀，對(duì)應(yīng)速度曲線上的C點(diǎn)，為一個(gè)步態(tài)周期內(nèi)速度曲線上第1 個(gè)零點(diǎn)；位移曲線B點(diǎn)為擺動(dòng)末期相位起始幀，對(duì)應(yīng)速度曲線上的D 點(diǎn)，為一個(gè)步態(tài)周期內(nèi)速度曲線上第2 個(gè)零點(diǎn)。因此可通過(guò)判斷速度曲線零點(diǎn)的方法確定擺動(dòng)中期與擺動(dòng)末期的相位起始幀，其他擺動(dòng)相位可通過(guò)壓力數(shù)據(jù)判斷。

圖7 足部Z軸位移與速度Fig.7 Z-axis displacement and velocity of foot

3.3 步態(tài)識(shí)別

將帶有步態(tài)標(biāo)簽的壓力與位移數(shù)據(jù)組合成34×16 的完整足部運(yùn)動(dòng)數(shù)據(jù)圖像，其中：32 行為足底壓力數(shù)據(jù)，2 行為IMU 位移數(shù)據(jù)。將位移數(shù)據(jù)轉(zhuǎn)化為灰度值顯示在足底壓力云圖下方，不同步態(tài)相位的足部運(yùn)動(dòng)數(shù)據(jù)圖像如圖8 所示。

圖8 足部運(yùn)動(dòng)數(shù)據(jù)圖像Fig.8 Foot motion data images

利用CNN 訓(xùn)練數(shù)據(jù)，以檢測(cè)步態(tài)相位。CNN 的網(wǎng)絡(luò)結(jié)構(gòu)如圖9 所示，各層參數(shù)如表2 所示。輸入層為足部運(yùn)動(dòng)數(shù)據(jù)圖像，通過(guò)CNN 提取圖像的有效特征；池化層采用最大池化，激活函數(shù)采用ReLU（Rectified Linear Unit）函數(shù)；全連接層和輸出層作為網(wǎng)絡(luò)的分類器，將經(jīng)過(guò)卷積降采樣提取出的特征映射到標(biāo)記空間，計(jì)算每一類的概率值并采用Softmax分類器進(jìn)行分類。

圖9 CNN結(jié)構(gòu)Fig.9 Structure of CNN

表2 CNN參數(shù)Tab.2 Parameters of CNN

4 實(shí)驗(yàn)與結(jié)果分析

4.1 足部運(yùn)動(dòng)數(shù)據(jù)采集系統(tǒng)

數(shù)據(jù)采集系統(tǒng)由壓力傳感器、數(shù)據(jù)采集卡、IMU 和數(shù)據(jù)采集顯示程序組成，如圖10 所示。IMU 型號(hào)為L(zhǎng)PMS-B2，為避免行走過(guò)程中鞋面變形造成的IMU 安裝誤差，選用鞋面較硬的鞋，將IMU 安裝于鞋面足尖位置；將足底壓力傳感器布置在鞋內(nèi)。數(shù)據(jù)采集顯示程序用LabVIEW 軟件編寫，將壓力傳感器和IMU 采集到的數(shù)據(jù)通過(guò)藍(lán)牙傳輸?shù)缴衔粰C(jī)，采用形態(tài)學(xué)濾波方法去除壓力數(shù)據(jù)的底層噪聲和邊緣噪聲，然后進(jìn)行二維線性插值得到足底壓力圖像；調(diào)用Matlab 編寫的慣性導(dǎo)航算法對(duì)足部運(yùn)動(dòng)加速度數(shù)據(jù)進(jìn)行處理，得到足部運(yùn)動(dòng)位移的結(jié)果，并采用卡爾曼濾波對(duì)軌跡進(jìn)行修正。

圖10 足部運(yùn)動(dòng)數(shù)據(jù)采集系統(tǒng)Fig.10 Foot motion data acquisition system

選取4 名不同BMI 的實(shí)驗(yàn)對(duì)象，利用足部運(yùn)動(dòng)數(shù)據(jù)采集系統(tǒng)分別采集站立狀態(tài)下跟骨區(qū)域的壓力數(shù)據(jù)各100 幀，計(jì)算融合特征值并進(jìn)行泛化效果測(cè)試，結(jié)果如圖11 所示。由圖11 可知，4 種BMI 對(duì)象站立狀態(tài)跟骨區(qū)域的壓力融合特征值與標(biāo)準(zhǔn)值1.732 1 的誤差絕對(duì)值最大約為0.048，不同BMI對(duì)象之間的最大誤差絕對(duì)值約為0.066，誤差較小。表明本采集系統(tǒng)中壓力傳感器與數(shù)據(jù)處理方法對(duì)不同BMI 人群足底壓力數(shù)據(jù)的泛化處理具有普適性。

圖11 站立狀態(tài)的特征值誤差Fig.11 Eigenvalue error of standing state

4.2 行走步態(tài)識(shí)別實(shí)驗(yàn)

招募12 名體重范圍為52～86 kg，BMI 范圍為17.2～26.5的實(shí)驗(yàn)對(duì)象，采集他們平地行走動(dòng)作的支撐相內(nèi)的HC、AC、ST、HO、FS 五種步態(tài)相位以及擺動(dòng)相中IS、MS、TS 三個(gè)步態(tài)相位，各2 000 幀數(shù)據(jù)，將足底壓力數(shù)據(jù)與足部位移數(shù)據(jù)組合為足部運(yùn)動(dòng)數(shù)據(jù)，并按照6∶2∶2 的比例關(guān)系劃分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。將訓(xùn)練集輸入至CNN 進(jìn)行訓(xùn)練，識(shí)別準(zhǔn)確率如圖12（a）所示?？梢钥闯?，在整個(gè)步態(tài)周期內(nèi)，平均識(shí)別準(zhǔn)確率為94.58%。

圖12 行走步態(tài)識(shí)別Fig.12 Walking gait recognition

隨機(jī)選定一名實(shí)驗(yàn)對(duì)象進(jìn)行行走步態(tài)識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)對(duì)象穿戴實(shí)驗(yàn)設(shè)備，行走10 個(gè)步態(tài)周期，雙足共產(chǎn)生646 幀數(shù)據(jù)。步態(tài)識(shí)別效果如圖12（b）所示，可以看出，識(shí)別錯(cuò)誤一般出現(xiàn)在兩個(gè)相鄰步態(tài)轉(zhuǎn)換時(shí)，主要因?yàn)閮蓚€(gè)相鄰步態(tài)銜接過(guò)程的足部運(yùn)動(dòng)數(shù)據(jù)圖像較為相似。

4.3 上下樓梯步態(tài)識(shí)別實(shí)驗(yàn)

應(yīng)用本文方法對(duì)上、下樓梯兩種運(yùn)動(dòng)步態(tài)進(jìn)行識(shí)別。通過(guò)人體模型的上、下樓梯動(dòng)作仿真可知，上樓梯過(guò)程中，足底與地面接觸、分離的過(guò)程與行走狀態(tài)一致，因此支撐相劃分與行走一致。下肢擺動(dòng)動(dòng)作為向斜上跨越動(dòng)作，分為加速與減速階段，因此可將擺動(dòng)相劃分為以足底壓力消失為起始幀的擺動(dòng)初期和以Z軸速度曲線最大值點(diǎn)為起始幀的擺動(dòng)末期。下樓梯過(guò)程中，足底與地面接觸過(guò)程為趾骨與跖骨先觸地，設(shè)定為足前觸地狀態(tài)（Forefoot Contact，F(xiàn)C）；繼而足弓與地面開始接觸，設(shè)定為足弓觸地狀態(tài)；當(dāng)跟骨部位產(chǎn)生壓力時(shí)，為足平放狀態(tài)，離地過(guò)程與行走一致。擺動(dòng)相足部運(yùn)動(dòng)過(guò)程為向斜下跨越，可分為以足底壓力消失為起始幀的擺動(dòng)初期和以Z軸速度曲線最小值點(diǎn)為起始幀的擺動(dòng)末期。

采集12 名實(shí)驗(yàn)對(duì)象的上、下樓梯的足部運(yùn)動(dòng)數(shù)據(jù)各2 000 幀。將足底壓力數(shù)據(jù)與足部運(yùn)動(dòng)速度數(shù)據(jù)組合為足部運(yùn)動(dòng)數(shù)據(jù)圖像，輸入至CNN 訓(xùn)練。另選1 名實(shí)驗(yàn)對(duì)象進(jìn)行上、下樓梯步態(tài)識(shí)別實(shí)驗(yàn)，兩種動(dòng)作各進(jìn)行10 個(gè)步態(tài)周期，通過(guò)CNN 進(jìn)行識(shí)別，步態(tài)相位的識(shí)別準(zhǔn)確率如圖13 所示。

圖13 上下樓梯步態(tài)識(shí)別Fig.13 Gait recognition of going upstairs and downstairs

上樓梯過(guò)程中因足弓觸地狀態(tài)持續(xù)時(shí)間較短，足底壓力圖像特征不明顯，導(dǎo)致識(shí)別準(zhǔn)確率較低，約為90.12%。擺動(dòng)相步態(tài)識(shí)別準(zhǔn)確率較行走過(guò)程更高，主要原因?yàn)樯蠘翘輹r(shí)擺動(dòng)初期與擺動(dòng)末期特征分別為加速與減速，特征區(qū)分明顯。下樓梯時(shí)，觸地過(guò)程中的足前觸地狀態(tài)、足弓觸地狀態(tài)壓力云圖特征分別與離地過(guò)程中的足前支撐狀態(tài)與足跟離地狀態(tài)特征相似，因此，主要以足部速度特征進(jìn)行區(qū)分，導(dǎo)致下樓梯過(guò)程中足弓觸地相位識(shí)別準(zhǔn)確率較低，約為89.32%。

為了驗(yàn)證本文通過(guò)動(dòng)態(tài)分割壓力數(shù)據(jù)，并結(jié)合位移數(shù)據(jù)組成足部運(yùn)動(dòng)數(shù)據(jù)圖像進(jìn)行識(shí)別方法的有效性，使用未經(jīng)動(dòng)態(tài)分割的足底壓力數(shù)據(jù)進(jìn)行CNN 訓(xùn)練并通過(guò)步態(tài)識(shí)別實(shí)驗(yàn)作為對(duì)比。識(shí)別準(zhǔn)確率如表3 所示，本文方法的步態(tài)識(shí)別準(zhǔn)確率明顯更高。本文方法的行走動(dòng)作步態(tài)識(shí)別準(zhǔn)確率為94.58%，而上、下樓梯的步態(tài)識(shí)別準(zhǔn)確率分別為93.21%和94.64%。相較于未經(jīng)動(dòng)態(tài)分割足底壓力數(shù)據(jù)的步態(tài)識(shí)別，本文方法的行走、上樓梯與下樓梯動(dòng)作的步態(tài)識(shí)別準(zhǔn)確率分別提高了11.34、12.19 和16.03 個(gè)百分點(diǎn)。這是由于在人體模型約束下進(jìn)行動(dòng)態(tài)分割后的數(shù)據(jù)集可準(zhǔn)確分割相鄰步態(tài)相位的壓力數(shù)據(jù)，更加客觀準(zhǔn)確，且足部運(yùn)動(dòng)數(shù)據(jù)圖像包含足部位移數(shù)據(jù)，在不同步態(tài)但是壓力圖像相似的情況下也可以正確識(shí)別。

表3 不同數(shù)據(jù)的步態(tài)識(shí)別準(zhǔn)確率 單位：%Tab.3 Gait recognition accuracy of different data unit：%

5 結(jié)語(yǔ)

本文將足底壓力數(shù)據(jù)、足部運(yùn)動(dòng)數(shù)據(jù)和人體仿真數(shù)據(jù)相結(jié)合，構(gòu)建了一種適用于不同運(yùn)動(dòng)的步態(tài)識(shí)別方法。采用電容式柔性壓力傳感器和IMU 分別采集真實(shí)足底壓力數(shù)據(jù)及足部運(yùn)動(dòng)數(shù)據(jù)。通過(guò)人體模型進(jìn)行人體運(yùn)動(dòng)過(guò)程的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)仿真分析，根據(jù)仿真壓力與位移數(shù)據(jù)劃分步態(tài)相位，采用回歸映射方法建立真實(shí)數(shù)據(jù)與仿真數(shù)據(jù)對(duì)應(yīng)關(guān)系。根據(jù)真實(shí)壓力數(shù)據(jù)幀間差異比例，動(dòng)態(tài)判斷步態(tài)相位?；诹闼傩拚惴ǐ@得足部運(yùn)動(dòng)學(xué)特征后，利用速度特征點(diǎn)判斷運(yùn)動(dòng)數(shù)據(jù)步態(tài)相位。將足底壓力數(shù)據(jù)與足部運(yùn)動(dòng)數(shù)據(jù)組合，利用CNN 對(duì)行走過(guò)程人體步態(tài)相位進(jìn)行識(shí)別，平均識(shí)別準(zhǔn)確率達(dá)到94.58%。另外，對(duì)上樓梯和下樓梯動(dòng)作進(jìn)行步態(tài)相位識(shí)別實(shí)驗(yàn)，上、下樓梯的平均識(shí)別準(zhǔn)確率為93.21%、94.64%，表明本文方法對(duì)于上、下樓梯的步態(tài)相位識(shí)別也是適用的。下一步工作是對(duì)方法進(jìn)行改進(jìn)，使其能識(shí)別區(qū)分不同運(yùn)動(dòng)，提前感知不同運(yùn)動(dòng)變化，進(jìn)行人體運(yùn)動(dòng)意圖感知。