[發明專利]面向人體復雜運動的運動模式預測及切換控制方法

有效

• 申請號: 202010245327.0
• 申請日: 2020-03-31
• 公開（公告）號: CN111506189B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 魏柏淳;李芳卓;王學嘉;丁振;衣淳植;姜峰;楊熾夫
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06F18/213;G06F18/214
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

1.面向人體復雜運動的運動模式預測及切換控制方法，其特征在于，所述方法包括以下步驟：

步驟一、提取人體單側下肢EMG信號及IMU信號:將傳感器貼在人體單側下肢股直肌、股外側肌、股內側肌、脛骨前肌、比目魚肌、半腱肌、股二頭肌長頭、腓腸肌外側、腓腸肌內側九塊肌肉提取EMG信號，同時選擇人體同側腰部、大腿、小腿、腳背四個位置粘貼傳感器采集IMU信號，通過佩戴在實驗對象身上的腳底壓力傳感器及參考視頻得出每個數據點對應的運動模式標簽及運動相位標簽，分為五種運動模式及四種運動相位；

步驟二、采用滑動時間窗法對數據進行重采樣，之后對數據中的EMG信號提取四種時域特征并組成特征向量，對數據中的IMU信號提取兩種時域特征并組成特征向量，兩種向量合并為一個新的特征向量；

步驟三、設計默認參數的GBRT分類器作為運動模式分類算法：將合并后的特征向量輸入至運動模式分類算法求解最優參數，之后代入參數至模型采用k折交叉驗證法訓練模型并得出平均準確率；

步驟四、另設計五個默認參數的GBRT分類器作為運動相位分類算法：對應特征向量的五種運動模式標簽，將特征向量及其運動相位標簽分別輸入五個運動相位分類算法，并使用窮舉法分別求得五種分類器最優參數，之后代入參數至模型采用k折交叉驗證法訓練模型并得出平均準確率；

步驟五、部署訓練完畢的運動模式分類器及運動相位分類器，在實驗環境下進行測試，測試過程中保存分類結果及原始EMG與IMU數據；

步驟六、測試完畢后通過腳底壓力傳感器及視頻標記原始EMG與IMU數據運動模式標簽與運動相位標簽，并通過時間窗算法及特征提取算法將數據轉化為特征表示，其標簽與分類結果進行比對，計算準確率，當準確率大于預設的閾值時，證明算法可行。

2.根據權利要求1所述的面向人體復雜運動的運動模式預測及切換控制方法，其特征在于，在步驟一中，具體包括以下步驟：

步驟一一，采集人體下肢EMG信號及IMU信號：

信號采集設備采用DelsysTrigno肌電采集系統，包含無線通信基站與16個無線肌電電極，每個電極內置有EMG及IMU信號采集器，DelsysTrigno肌電采集系統支持離線采集模式及在線采集模式：離線采集模式下在實驗結束后對EMG及IMU信號進行封裝并發出，在線采集模式下設定單次傳輸數據長度，每當EMG及IMU信號記錄長度達到設定值便傳輸一次，對測試對象單側下肢股直肌、股外側肌、股內側肌、脛骨前肌、比目魚肌、半腱肌、股二頭肌長頭、腓腸肌外側、腓腸肌內側九塊肌肉表面皮膚進行脫毛及去角質處理，隨后將9個電極粘貼在這九塊肌肉皮膚表面處提取EMG信號，同時另取4個電極分別粘貼于同側腰間、大腿、小腿及腳面處采集IMU信號，Delsys數據采集模式選擇離線模式；

步驟一二、測試對象在多地形下行走，同時采集測試對象EMG信號及IMU信號：

采集開始時實驗對象足底粘貼腳底壓力傳感器同時錄制視頻記錄，當采集結束后利用足底壓力傳感器及視頻對數據的運動模式及運動相位標簽進行標記，運動模式分為平地、上樓梯、下樓梯、上斜坡、下斜坡五種模式，運動相位對應背景提到的足跟支撐相、全足支撐相、足尖支撐相以及擺動相四種相位。標記后該數據作為運動模式分類算法與運動相位分類算法的訓練集。

3.根據權利要求1所述的面向人體復雜運動的運動模式預測及切換控制方法，其特征在于，在步驟二中，具體包括以下步驟：

步驟二一、采用滑動時間窗方法對訓練集數據進行重采樣，滑動時間窗兩端均對應EMG信號與IMU信號的同步，滑動時間窗的步進長度也應確保滑動后的時間窗內EMG信號及IMU信號互相同步；

步驟二二、對重采樣后的數據提取時域特征，其中EMG信號提取均值絕對值MAV、過零率ZC及波周長WL，IMU信號提取均值絕對值MAV和波周長WL，其相關數學表達如下：

上式中i表示第i個時間窗，L表示時間窗長度，x_k表示每個時間窗中第k個數值，

通過上述操作將時間窗內數據序列用單個特征值表示，由于重采樣前每個數據點都有單獨的運動模式標簽及運動相位標簽，因此數據特征化后將時間窗長度一半位置處的數據點對應標簽作為該特征向量標簽，由于每個時間窗內EMG信號和IMU信號在時域上同步，因此兩種特征向量標簽一致。