基于MPSO-BP神經網絡方法的人體步態識別

孫 楠 ，駱敏舟，王玉成，趙漢賓

1.常州大學 機械工程學院，江蘇 常州 213164 2.中國科學院 合肥物質科學研究院 先進制造技術研究所，江蘇 常州 213164

◎模式識別與人工智能◎

基于MPSO-BP神經網絡方法的人體步態識別

孫 楠1，2，駱敏舟2，王玉成2，趙漢賓2

1.常州大學 機械工程學院，江蘇 常州 213164 2.中國科學院 合肥物質科學研究院 先進制造技術研究所，江蘇 常州 213164

為提高人體下肢步態相位識別準確率以實現外骨骼機器人控制，采用一種改進的粒子群優化MPSO-BP神經網絡方法識別不同運動模式下的人體步態相位。通過自適應調整學習因子構造MPSO-BP神經網絡分類器，以多種傳感信息組成的特征向量樣本集訓練神經網絡分類器，用于識別人體下肢在平地行走、上樓梯和起坐三種典型運動模式下的步態相位。實驗結果表明，MPSO-BP神經網絡分類器能有效識別三種不同運動模式的步態相位，識別準確率均達到96%以上，識別性能優于傳統的BP神經網絡模型和粒子群優化神經網絡模型。

步態識別；步態相位；神經網絡；粒子群算法

1 引言

步態相位識別是實現人體運動意圖識別進而實現外骨骼機器人控制的關鍵技術之一[1]。目前國內外運動意圖識別方法主要是基于視頻圖像分析或多傳感器信息融合分析，多采用隱馬爾科夫、神經網絡等模式識別方法識別步態相位。基于視頻圖像的步態識別方法主要是通過拍攝受試者行走圖像，抽取圖像中人體運動特征信息，進而識別步態類型[2]。基于多傳感器信息融合的方法是通過直接測量受試者肢體特定部位的運動數據，如足底壓力信號、關節角度信號等[3]，利用模式識別技術劃分步態相位。

2005年，Kawamoto[4]研究小組通過安裝在足底的空氣壓力開關、大腿前側的肌電傳感器和膝關節、髖關節的角度傳感器采集信號，利用閾值法判斷各步態相位，取得較好效果。但是所采用的肌電傳感器由于直接粘貼在皮膚上，存在固定、穿戴不易和易受人體出汗影響等問題。2009年，Bae[5]等人通過在鞋底安裝四個力傳感器來檢測受試者行走時的腳底壓力數據，采用模糊邏輯方法判斷各步態相位區間，但識別精度不高。2012年，Rossi[6]等人采用隱馬爾科夫（HMM）模型根據足底壓力信號識別人體行走步態相位。該方法基于經典統計學，當訓練樣本數目越大時其識別準確率越高，然而在實際應用中，訓練樣本的數量往往是有限的，從而限制了HMM方法識別準確率的提高空間。BP（Back Propagation）神經網絡模型在步態相位識別領域也獲得較多應用[1，7-8]，但是BP算法存在收斂速度慢、容易陷入局部極小和泛化能力差的缺點[7-8]。為提高BP算法的收斂速度并解決局部極小問題，馬玉良[7]等采用遺傳算法優化BP神經網絡用于識別下肢5個步態，有效提高了識別精度。劉磊[8]等提出一種基于多源信息和粒子群優化-誤差反向傳播（PSO-BP）算法用于改善神經網絡訓練的收斂速度問題，該方法對下肢不同步態的識別率為95.75%，識別準確率仍有提高的空間。

針對目前有限樣本空間中步態相位識別率依然不足的問題，本文采用改進的粒子群算法（Modified Particle Swarm Optimization，MPSO）優化后的人工神經網絡模型識別三類常見運動模式的步態相位。MPSO算法是一種有效的全局尋優算法，能夠克服BP神經網絡的缺點，與傳統的進化算法相比操作簡單，避免了復雜的遺傳操作[9-13]。實驗中通過設計三層BP神經網絡模型，以MPSO算法在多源傳感數據樣本集上確定模型連接權值和閾值，之后將訓練好的MPSO-BP神經網絡用于正常行走、上樓梯和起坐三類運動模式的步態相位識別，最后在測試集上對MPSO算法的收斂速度和識別準確率進行了分析，并同現有方法做了比較。

2 MPSO-BP神經網絡方法原理與實現

2.1 粒子群算法

粒子群（PSO）是一種有效的全局尋優算法，與傳統的進化算法相比，PSO采用速度-位移模型，結構簡單，避免了復雜的遺傳操作[11]。該算法通過個體間的協作與競爭，實現復雜空間的最優解搜索。假設在D維空間，有m個粒子組成一個群落，每個粒子所處的位置為xi=(xi1,xi2,…,xiD)，速度為 νi=(νi1,νi2,…,νiD)。粒子通過不斷調整自己的位置來搜索新解，每個粒子都能記住自己搜索到的最優解 pbest和整個粒子群到目前為止經歷過的最優解gbest，然后按公式（1）和公式（2）來更新：

式中，i=1,2,…,m，d=1,2,…,D，ω為慣性因子，體現的是粒子當前速度多大程度上繼承先前的速度。c1和c2為學習因子，ε表示[0，1]之間的隨機數。由于PSO中粒子都向最佳位置聚集，會形成粒子種群的快速趨同效應，容易陷入局部最優和過早收斂現象[11-12]。

2.2 改進的粒子群算法

式中，ωmax和ωmin分別表示初始和最終慣性權重，iter和itermax表示當前迭代次數和最大迭代次數。學習因子的大小決定了粒子自我認知和社會認知對粒子的影響，為了防止陷入局部最優，可以通過動態地改變c1和c2來保持粒子始終具有多樣性。優化后的算法在初期使粒子具有大的自我認識（大的c1）和小的社會認知（小的c2），便于快速搜索；在算法后期，應有小的自我認知（小的c1）和大的社會認知（大的c2），加快算法收斂和在全局范圍內尋找最優解。對此有如下改進：

為了克服上述不足，通過分析慣性權重和學習因子對粒子群算法性能的影響，分別對二者做出改進。研究發現ω較大時利于全局搜索，ω較小時利于局部搜索，故采取線性遞減慣性權重：

其中，cst和cend分別為c1的初始值和最終值。

MPSO算法根據神經網絡的拓撲結構確定粒子維數，粒子群中每個粒子的維度分量都對應神經網絡中的連接權值或閾值。以輸出誤差作為神經網絡訓練的適應度函數，誤差越小表示粒子在搜索中具有更好的性能。最終算法停止時，適應度最高的粒子成為問題的最優解。具體實現流程如圖1所示。

2.3 MPSO-BP神經網絡設計

式中，m,n,l分別為隱含層、輸入層、輸出層神經元數目，常數α取值范圍為1～10。設置神經網絡訓練最大迭代次數為1 000，誤差目標為10-5。粒子群維數即BP神經網絡初始權值與閾值之和為50；設置粒子種群數目為40；粒子群迭代次數為 200；ωmax=0.95,ωmin=0.25 ；c1=3,c2=1。

本文設計三層神經網絡，輸入端神經元為8個，輸出端為1個，隱含層神經元個數根據經驗公式（6）以及實際測試結果確定神經元個數為5。

圖1MPSO-BP算法流程

3 多傳感器運動信號采集系統

足底與地面的接觸力變化是描述和識別下肢運動狀態的重要信息[14]，實驗中選用Flexiforce系列A401薄膜壓阻型傳感器，能承受的最大峰值壓力范圍為15.5 kg/cm2，厚度僅為0.208 mm，可以反復彎曲，線性誤差小于±3%。壓力傳感器在足底的安裝位置如圖2所示。

圖2 足底壓力傳感器位置

髖關節和膝關節處安裝了磁旋轉編碼器（AS5045）來進行關節角度測量，如圖3所示。受試者穿上該信號采集系統適應一段時間后，分別在不同運動模式下重復采集數據。在平地行走實驗中，為了保證每組實驗都以相同速度進行，受試者在跑步機上按設定速度值3 km/h行走。上樓和起坐實驗中受試者盡量保持每次都以正常速度完成實驗。

圖3 關節角度傳感器位置

4 步態相位識別實驗結果

本實驗主要研究正常平地行走、上樓梯和起坐動作的步態相位識別。對MPSO-BP神經網絡進行訓練，以平地行走為例，從10名實驗對象（6名男生，4名女生）采集的100組有效實驗數據中隨機取40組作為訓練樣本，60組為測試樣本。

4.1 平地行走相位分析

相對于人體的上肢運動，下肢運動更具有重復性和規律性。從兩個腿的運動分析來看，自然行走時一個完整的步態周期可以劃分為兩個階段：單足支撐相和雙足支撐相。行走是一個左右交替的過程，遂將行走劃分為四個相位Phase1～4，分別為：右單腿支撐、左雙腿支撐、左單腿支撐和右雙腿支撐。根據以上相位劃分標準，以足底前三個傳感器測量值之和表示足底前部在行走過程中的壓力變化，以足跟壓力傳感器測量值表示足跟在行走過程中的壓力變化，與髖關節和膝關節角度值共同組成8維特征向量，應用MPSO-BP神經網絡模型識別步態相位，識別結果的一組實例如圖4所示。

圖4 行走步態相位劃分

4.2 上樓梯步態相位分析

將上樓梯分為4個不同的狀態分別為：Phase1，抬左腳向上跨步；Phase2，雙腳支撐且重心轉到左腳；Phase3，抬右腳向上跨步；Phase4，雙腳支撐，重心移到右腳。應用MPSO-BP神經網絡模型以髖、膝關節和足底地面接觸力變化曲線為特征向量實現對上樓梯步態的相位劃分，如圖5所示。因為在上樓梯過程中習慣于足底整體落地，所以放置于足底的壓力傳感器變化曲線先后順序不明顯，故將單足腳底四個傳感器壓力之和作為足底壓力在上樓梯過程中變化規律的測量值。

4.3 起坐相位分析

通過多次測量人體關節角度和地面反作用力變化，將人體站起過程分為3個階段：第一階段（Phase1）為坐姿保持階段，足底壓力幾乎為零，髖、膝關節角度保持不變；第二階段（Phase2）為起立初始階段，身體前傾，產生向前、向上推力，此時伴隨著足跟（Rear）壓力增大，膝關節角度持續變小；第三階段（Phase3）為離開座椅階段，直到髖、膝關節角度值最大，站起過程中身體離開座椅后重心向前，使足底前部壓力不斷變大而后跟反而減小；第四階段（Phase4）為上升階段，身體完全直立處于平衡狀態[15]。MPSO-BP神經網絡模型對起坐狀態的相位識別結果如圖6所示。由于人在站立時會有重心小幅度變化，故在直立時足底壓力會有波動。

圖5 上樓梯步態相位劃分

圖6 起坐相位劃分

4.4 與其他識別算法的性能比較

利用大量實驗數據對相同結構的BP、PSO-BP神經網絡進行訓練，與MPSO-BP神經網絡模型識別性能進行比較。各神經網絡訓練收斂曲線分別如圖7所示，圖8為PSO、MPSO算法迭代收斂曲線，各算法訓練性能比較結果見表1。針對平地行走下三類算法步態相位識別準確率見表2。表3為不同步態模式下的識別準確率。

圖7 BP、PSO-BP和MPSO-BP網絡訓練誤差曲線

表1 三類算法訓練性能結果比較

表2 三類算法識別平地行走步態相位的準確率%

表3 不同步態模式下識別準確率%

經過改進的粒子群優化BP神經網絡的收斂速度和識別精度有明顯提高，MPSO-BP神經網絡改善了PSO-BP神經網絡收斂過慢和容易陷入局部極小值的缺點，提高了精度。由表2、3所示實驗結果可以看出，針對平地行走、上樓梯和起坐模式下各傳感器信息，MPSO-BP神經網絡模型經測試計算獲得最終識別準確率分別為97.2%、98.3%和98.9%，高于BP和PSO-BP神經網絡模型的識別結果。

5 結語

由于傳統的BP算法和粒子群算法容易陷入局部最優解，導致識別準確率不高，本文利用改進的粒子群優化神經網絡權值和閾值，將優化后的初始值代入神經網絡中進行訓練，加快學習速率、克服陷入局部最優的情況，同時提高識別準確率。通過平地行走、上樓梯和起坐三種不同人體運動模式的實驗，驗證了該方法的有效性，為可穿戴下肢外骨骼機器人提供正確控制信號打下基礎。本文實驗所得的準確率是基于10名測試者所得數據，后期會增加測試者人數，采集更多樣本訓練神經網絡，以提高網絡模型魯棒性和識別準確率。

[1]夏懿.基于足底壓力分布的步行行為感知關鍵技術研究[D].合肥：中國科學技術大學，2013.

[2]薛召軍，靳靜娜，明東，等.步態識別研究現狀與進展[J].生物醫學工程學雜志，2008，25（5）：1217-1221.

[3]沈金虎.基于全方向下肢康復訓練機器人的步態檢測與分析[D].沈陽：沈陽工業大學，2012.

[4]Kawamoto H，Sankai Y.Power assist method based on phase sequence and muscle force condition for HAL[J].Advanced Robotics，2005，19（7）：717-734．

[5]Bae J，Kong K，Byl N，et al.A mobile gait monitoring system for gait analysis[C]//International Conference on Rehabilitation Robotics，USA，2009：73-79.

[6]Rossi S M M，Crea S，Donati M，et al.Gait segmentation using bipedal foot pressure patterns[C]//The Fourth IEEE RAS/EMBS InternationalConferenceonBiomedical Robotics and Biomechatronics，Roman，Italy，2012．

[7]馬玉良，馬云鵬，張啟忠，等.GA-BP神經網絡在下肢運動步態識別中的應用研究[J].傳感技術學報，2013，26（9）：1183-1187.

[8]劉磊，楊鵬，劉作軍.基于多源信息和粒子群優化算法的下肢運動模式識別[J].浙江大學學報：工學版，2015，49（3）：439-447.

[9]Khan S U，Yang S，Wang L，et al.A modified particle swarm optimization algorithm for global optimizations of inverse problems[J].IEEE Transactions on Magnetics，2016，52（3）：1-4.

[10]劉淵，李群，王曉鋒.基于攻擊圖和改進粒子群算法的網絡防御策略[J].計算機工程與應用，2016，52（8）：120-124.

[11]Ling S H，Iu H，Leung F H F，et al.Improved hybrid particle swarm optimized wavelet neural network for modeling the development of fluid dispensing for electronic packing[J].IEEE Transactions on Industrial Electronics，2008，55（9）：3447-3460．

[12]雷瑞龍，侯立剛，曹江濤.基于多策略的多目標粒子群優化算法[J].計算機工程與應用，2016，52（8）：19-24.

[13]Clerc M，Kennedy J.The particle swarm-explosion，stability，and convergence in a multidimensional complex space[J].IEEE Transactions on Evolutionary Computation，2002，6（1）：58-73.

[14]鄭成聞，宋全軍，佟麗娜，等.一種柔性雙足壓力檢測裝置與步態分析系統設計研究[J].傳感技術學報，2010，23（12）：1704-1708.

[15]白大鵬，張立勛.助行機器人起坐機構運動分析及實驗[J].機器人，2013，35（6）：757-761.

SUN Nan1,2,LUO Minzhou2,WANG Yucheng2,ZHAO Hanbin2

1.School of Mechanical Engineering,Changzhou University,Changzhou,Jiangsu 213164,China 2.Institute of Advanced Manufacturing Technology,Hefei Institute of Physical Sciences,Chinese Academy of Sciences,Changzhou,Jiangsu 213164,China

Human gait recognition based on MPSO-BP neural network method.Computer Engineering and Applications,2017,53（21）：121-125.

To improve the accuracy rate of human gait phase recognition for controlling the exoskeleton robot,an approach based on Modified Particle Swarm Optimization algorithm-Back Propagation（MPSO-BP）neural network is utilized to divide three types of gait into different phases.Firstly,the MPSO-BP neural network classifier is constructed through regulating the learning factor adaptively,and then the classifier is trained using sample set containing multisensor information.Secondly,test the classifier on gait phase recognition in three types of human gait including walk,upstairs and sit-down.The experimental results show that the MPSO-BP neural network classifier can successfully increase the accuracy rate up to averaged 96%above,which is superior to the BP neural network and the particle swarm optimization BP neural network methods.

gait recognition;gait phase;neural network;particle swarm optimization

A

TP242.6

10.3778/j.issn.1002-8331.1605-0090

中國科學院合肥物質科學研究院院長基金（No.YZJJ201521）；常州市科技支撐計劃（No.CE20140025）。

孫楠（1991—），女，碩士研究生，主要研究領域為仿生機器人、模式識別；駱敏舟（1973—），男，博士，研究員，主要研究領域為類人機器人、智能機械；王玉成（1980—），男，博士，助理研究員，主要研究領域為模式識別、生物醫學信號處理，E-mail：ziichuan@163.com；趙漢賓（1982—），男，工程師，主要研究領域為數字電路設計。

2016-05-10

2016-09-13

1002-8331（2017）21-0121-05

CNKI網絡優先出版：2016-12-02,http://www.cnki.net/kcms/detail/11.2127.TP.20161202.1503.054.html