[發明專利]一種基于注意力機制的下肢運動意圖預測方法

在審

• 申請號: 202110381272.0
• 申請日: 2021-04-09
• 公開（公告）號: CN112906673A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 張燕;樊琪;弓正菁;李璇
• 申請（專利權）人: 河北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰;張國榮

本發明為一種基于注意力機制的下肢運動意圖預測方法，包括步驟1、獲取下肢運動過程中的步態信號，對步態信號進行歸一化處理，并劃分訓練集數據和測試集數據；步驟2、構建預測模型；預測模型包括輸入模塊、卷積神經網絡模塊、長短時記憶神經網絡模塊和注意力機制這四個部分，當輸入模塊、卷積神經網絡模塊、長短時記憶神經網絡模塊和注意力機制依次連接，注意力機制的輸出結果再經過全連接層；步驟3、利用訓練集數據對預測模型進行預訓練，確定時間步長；再對預訓練后的預測模型進行訓練；步驟4、將訓練后的預測模型用于下肢運動意圖預測。該方法通過注意力機制對關節角度變化明顯的位置進行放大處理，能夠有效減小關節角度的預測誤差。

技術領域

本發明屬于步態模式識別技術領域，具體涉及一種基于注意力機制的下肢運動意圖預測方法。

背景技術

運動意圖是實現外骨骼精確跟蹤人體運動，最終實現人機同步運動的關鍵部分。盡管近年來外骨骼領域針對運動意圖的研究取得了一定成果，但是技術依舊不夠成熟。運動意圖識別的關鍵是根據當前時間序列的步態信號對后續時間序列的步態信號進行準確預測，以指導人機同步運動。

基于步態信號的機器學習方法在步態識別領域應用廣泛，一般是在人體和外骨骼上穿戴加速度、角速度、壓力等多種傳感器來采集信號，進而對人體運動形式進行預判，從而控制外骨骼機器人運動。

Marion等學者研究了利用前饋神經網絡和長短時記憶神經網絡這兩種網絡預測下肢運動過程中的地面反作用力和關節力矩，平均預測精度為0.95，參見文獻《MundtMarion,Koeppe Arnd,David Sina,Bamer Franz,Potthast Wolfgang,MarkertBernd.Predict ion ofground reaction force andjoint moments based on opticalmotion capture data during gait.[J].Medical engineeringphysics,2020,86.》。

王修暉等學者(參見文獻《張加加,王修暉.基于CNN與SVM融合的步態識別方法[J].中國計量大學學報,2019,30(01):65-71.》)采用CNN+SVM網絡結構，利用CASIA數據庫中的數據進行步態識別，平均預測精度為0.9。

步態信號呈周期性變化，且在步態周期的上一相位和下一相位的交替處步態信號的變化較明顯，由于上述方法的網絡結構較簡單，對于步態信號在變化明顯處的特征提取效果較差，因此預測精度普遍偏低。

發明內容

針對現有技術的不足，本發明擬解決的技術問題是，提供一種基于注意力機制的下肢運動意圖預測方法。

本發明解決所述技術問題采用的技術方案是：

一種基于注意力機制的下肢運動意圖預測方法，其特征在于，該方法包括以下步驟：

步驟1、獲取下肢運動過程中的步態信號，對步態信號進行歸一化處理，并劃分訓練集數據和測試集數據；

步驟2、構建預測模型；預測模型包括輸入模塊、卷積神經網絡模塊、長短時記憶神經網絡模塊和注意力機制這四個部分，當輸入模塊、卷積神經網絡模塊、長短時記憶神經網絡模塊和注意力機制依次連接，注意力機制的輸出結果再經過全連接層，至此完成預測模型的構建；

步驟3、利用訓練集數據對步驟2得到的預測模型進行預訓練，確定時間步長；再對預訓練后的預測模型進行訓練，優化預測模型的網絡結構；

步驟4、將步驟3得到的訓練后的預測模型用于下肢運動意圖預測。

所述步態信號包含髖關節、膝關節和踝關節這三個關節角度。