[發明專利]一種基于K-Means及步態周期相似性的運動模式識別方法

在審

• 申請號: 202110728234.8
• 申請日: 2021-06-29
• 公開（公告）號: CN113516063A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 尹業成;閆國棟;朱曉榮;于志遠;曾思
• 申請（專利權）人: 北京精密機電控制設備研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 陳鵬

一種基于K?Means及步態周期相似性的運動模式識別方法，首先通過采集數據離線生成對應類別的模板向量；識別時，將實時采集的數據處理后與模板向量進行相似性分析，根據相似性結果進行運動模式分類，并根據相似性給出當前結果的概率，解決了現有技術中傳統外骨骼機器人運動模式識別多采用機器學習計算量大或模板匹配精度有限的問題，可半自動提取特征向量集；實時性好，比傳統模板匹配方法精度更高。

技術領域

本發明涉及一種基于K-Means及步態周期相似性的運動模式識別方法，屬于外骨骼機器人領域。

背景技術

運動意圖感知是外骨骼機器人助力的基礎和前提，而運動模式識別是運動意圖感知的重要組成部分。人體運動模式是指外骨骼機器人運動過程中，所處的站立、平地行走、平地跑步、上樓、下樓等狀態。如何快速識別當前運動模式對實時調整助力策略、提高外骨骼助力效果具有重要意義。

目前運動模式識別多采用機器學習或模板匹配，前者存在計算量大，難以在低功耗嵌入式中應用的缺點；后者需根據實際情況手動生成模板，且精度有限。

發明內容

本發明解決的技術問題是：針對目前現有技術中，傳統外骨骼機器人運動模式識別多采用機器學習計算量大或模板匹配精度有限的問題，提出了一種基于K-Means及步態周期相似性的運動模式識別方法。

本發明解決上述技術問題是通過如下技術方案予以實現的：

一種基于K-Means及步態周期相似性的運動模式識別方法，步驟如下：

(1)離線采集數據并生成模板向量；

(2)進行識別過程中，將實時采集數據經過處理后，獲取實時特征向量并與步驟(1)所得模板向量進行相似性分析；

(3)根據相似性分析結果進行運動模式識別分類，并給出當前分類結果的概率。

所述步驟(1)中，生成模板向量的具體步驟為：

離線采集數據并進行處理后，進行步態周期劃分，通過特征提取生成特征向量，并根據特征向量生成模板向量。

所述步驟(2)中，生成實時特征向量的具體步驟為：

采集實時數據并進行處理后，進行步態周期劃分，通過特征提取生成特征向量。

根據運動周期性，對離線數據或實時數據進行數據壓縮，獲取步態周期數據切片，完成步態周期劃分。

根據步態周期數據切片，進行降采樣，具體方法為：

于步態周期數據{x(k)|k＝1,…,n}中均勻采樣p個數據點x＝{x(mi)|i＝1,…,p}，處理后獲取特征向量mi＝1+[(i-1)*n/p]；

其中，x(k)為當前數據切片中序號為k的數據；n為當前數據切片中數據總個數；mi為采樣點的序號；[x]為不大于x的最大整數。

將特征向量x＝{x(k)|k＝1,…,p}進行歸一化及單位偏移處理，獲取特征向量集合x'＝x/(||x||)+E；

式中，||x||為x的模；E為單位向量。

采用K-Means聚類方法對特征向量集合進行聚類，將各聚類中心與運動模式進行匹配分類，以各類運動模式對應的標準向量集作為該類運動模式帶有分類標簽的模板向量集。

所述基于K-Means聚類方法具體為：

(1)根據運動模式種類M設定類別數k初值k＝M；

(2)于特征向量集合中選擇初始化的k個樣本作為初始聚類中心；

(3)計算特征向量集合中各樣本到k個聚類中心的距離，并將該樣本分類至距離最小的聚類中心對應分類中；