基于多源信息的步態識別算法研究

熊偉 徐秀娟

摘要：步態識別技術在許多領域得到了很好的應用，并已成為第二代生物特征識別技術的代表，推動了模式識別、信號處理等領域的發展。步態識別的關鍵是找到合適的步態特征和分類方法，從而提高步態識別的準確性。本文針對上樓、下樓、上坡、下坡和平地行走的五種步態，收集多源信息，提出利用多核多分類相關向量機（MKRVM）建立步態識別算法。通過對不同分類器的識別準確率結果的比較，表明MKRVM算法比單核SVM和單核RVM算法具有更高的識別率。

關鍵詞：步態識別;下肢表面肌電信號;相關向量機

中圖分類號：A 文獻標識碼：A 文章編號：（2021）-14-379

1.介紹

步態是指在運動過程中全身的運動姿勢。步態識別是一個涉及模式識別、人工智能等諸多領域的研究課題，在醫學等領域有著廣泛的應用價值。本文研究了基于多源信息融合的步態識別算法。以肌電圖信號、膝關節角信號和足底壓力信號為步態識別信息源，提出利用MKRVM算法識別上、下、上、下和平地行走5種步態模式。我們根據每個信號的特征選擇合適的核函數，并對核函數的參數進行優化，得到最優的核函數組合。最后，比較了不同分類器的識別準確率，確定了每個信息源識別率最高的核函數，從而構建出最優的步態識別算法。

2.人體步態的主要特征參數

人體步態的主要特征參數包括時空參數、關節角度參數、下肢運動學參數和下肢肌肉特征參數。

2.1 時空參數

時空參數是指步態周期、步長（step length）、步幅（stride length）、步速（walking speed）等特征。步態周期是指從腳著地到腳再次著地的時間過程。根據行走時下肢的位置可分為支撐期和擺動期。

步態的跨步特征是足著地的空間特征量，包括步速、步長和步幅等，如圖1所示。

2.2 關節角參數

關節角度參數是指髖、膝和踝三個關節的運動特性，如各個關節的角度、角速度和角加速度等。髖關節角是指軀干縱軸與股骨縱軸之間的夾角。膝關節角是股骨縱軸的延長線與脛骨縱軸的平行線之間的夾角。踝關節角是指第五跖骨與腓骨外側中線的夾角為負90°。

2.3 下肢運動學參數

下肢運動學參數主要包括足底壓力、各種關節力矩等。

2.4 下肢肌肉特征參數

下肢肌肉特征參數主要體現在運動狀態下的下肢肌電信號中。

從以上對步態參數的描述可以看出，時空參數更加直觀，關節角度參數和運動學力學參數可以更詳細地描述步態細節。本文主要研究下肢肌電信號、足底壓力、髖關節角度、加速度等信號，為進一步研究步態識別技術奠定基礎。

3.多源步態信息的收集

從的角度多種運動模式和步態識別，本文獲得的多源信息，如表面的下肢肌電圖信號，髖關節的角加速度，腳的壓力等等，并使用多傳感器融合技術實現多傳感器優勢互補，這樣實現的識別更多種類的運動和行為模式。

選取年齡在20 ～ 50歲、性別不同的健康受試者50人作為研究對象。每個受試者的個人信息見表1。

在多源信息采集系統中，無線肌電信號傳感器的采樣頻率為1000hz。肌電信號通過無線網絡傳輸到計算機。采集到的髖關節運動信號和足底壓力信號通過采集卡傳到計算機，采樣頻率為1000Hz。

為了讓受試者完成上、下、上、下、平地面行走的五種步態，我們搭建了一個標準的測試平臺。實驗平臺由樓梯、斜坡、平板組成。樓梯設有6級臺階，可完成3次步態循環，臺階高度150mm，用途廣泛;坡道為15度的無障礙通道坡道，可完成的步態周期數由個人行走特點決定，一般為3-4周期;平面板連接樓梯與斜坡，更符合日常生活中行走的步態。平地行走的實驗可以在活動空間大的實驗室里進行，不需要局限在平板上。

每個受試者每步采集5組數據，然后休息5分鐘，放松腿部肌肉，避免肌肉疲勞對實驗的影響，確保實驗數據的客觀性。所有受試者均被要求在實驗前24小時內無劇烈活動或肌肉疲勞。實驗前，使用異丙醇擦拭肌電信號傳感器表面和銀質檢測條，去除殘留物。傳感器位置確定后，使用與銀條檢測條相匹配的雙面膠帶將傳感器固定在清理好的皮膚處。

實驗內容如下：（a）上下樓實驗;（b）上下坡實驗;（c）平地行走實驗;（d）受試者在室內跑步機上進行不同步速行走。

在實驗（d）開始之前，受試者被要求以跑步機上以待測速度熱身1.0-1.5分鐘。為了保證被試者姿勢自然，在實驗開始后，待受試者的速度穩定后，開始采集數據。

實驗步驟如下：

（a）受試者了解整個實驗過程，確保正確理解實驗操作;

（b）對受試者皮膚進行處理，粘貼表面肌電電極;

（c）實驗前，受試者應充分熟悉動作要領，進行2-3次的熟悉性操作;

（d）受試者重復完成上下樓梯、上坡、下坡、不同速度的平地行走步態，每種步態重復5-10次，采集多源信號數據;;

（e）采集的數據確認有效后，實驗結束。

4.基于多源信息的步態識別算法

4.1多核多分類RVM的步態識別算法

關聯向量機（RVM）是一種基于貝葉斯框架理論的機器學習方法。RVM本質上仍然是兩個分類器。不同的核函數對應著不同信息源的特征空間和非線性映射。多核函數的映射能力更強，同時使用多個核函數可以提高決策函數的性能。多核多關聯向量機（MKRVM）也采用分層貝葉斯模型，通過引入多項概率似然函數來融合不同的特征信息，從而得到更好的組合特征。其中S表示信息數據的類別，β1，β2，…βS表示組合的內核參數。

假設有S種信息源，通過某種方法提取特征后得到S個特征空間，則樣本數據集可以表示為XS=xi，tiNi=1。N為樣本個數;D是特征向量的維數;C是類別的數量。當核函數確定時，核矩陣表示為KS。多核矩陣定義為：

4.2 核函數選擇及算法流程

核函數的選擇是MKRVM識別準確性的關鍵。不同的數據信息在特征空間中的分布是不同的，因此為每個信息數據選擇合適的核函數將對最終的分類產生相應的影響。

支持向量機和RVM分類器算法的主要優點之一是使用了核函數。常用的核函數有線性核函數、多項式核函數、徑向基核函數和sigmoid核函數。其公式如下：

式中，g為核函數中向量積的系數;c為核函數的獨立項;d是多項式核函數的寬度。

本文基于MKRVM分類算法的下肢步態識別方法整合了不同特征的步態信息。其步態識別算法流程如圖2所示。

5.實驗結果與分析

MKRVM分類輸出各種步態的概率，最大概率值對應的步態作為識別結果。本文分析了五種步態的實驗數據。然后，通過比較單核支持向量機和單核RVM，分析不同步態特征的核函數性能。我們隨機將離線樣本集分為三部分：70%用于訓練模型，20%用于交叉驗證參數優化，剩下的10%用于離線測試。在參數優化過程中，每次從交叉驗證樣本中隨機選取20個樣本，計算交叉驗證的精度。當準確率達到預定值（90%）時終止，并將最大代數設置為500代。

以平地行走實驗數據為例，采用SVM和RVM算法的單核分類器識別結果如表2所示

對于MKRVM的參數設置，本文采用遺傳算法對MKRVM的核函數參數進行優化。對于上、下、上、下、平地面行走的5種步態，不同分類器的識別結果如表3所示。

可以看出，MKRVM的識別準確率高于單核SVM和單核RVM。通過實驗結果分析，MKRVM結合了多源信號的步態信息，優于BP、SVM和RVM。同時也可以看出，使用多個核函數組合的性能要優于使用單個核函數。

6.結論

本文采用多源信息采集系統采集上樓、下樓、上坡、下坡、平地行走五種步態的表面肌電信號、足底壓力信號和慣性信號，采用多核MKRVM進行步態識別。通過對不同分類器的識別精度結果的比較，表明MKRVM算法結合了下肢肌電信號、足底壓力信號和髖關節角度信號等多源信息，為每個信息源選擇最佳的核函數和參數，比單一核SVM和RVM具有更高的識別率。

參考文獻

[1].柴艷妹，夏天，韓文英.多特征融合的步態識別算法[J].小型微型計算機系統2014，

[2].賁睨燁.基于人體運動分析的步態識別算法研究[D].哈爾濱：哈爾濱工程大學， 2009

[3].譚建輝，潘保昌.基于徑問基函數神經網絡的紅外步態識別[J].日算機工程與應用，2011

基金項目：本文系江西省教育廳科學技術研究項目“《基于多源信息的步態識別算法研究》（課題編號：GJJ191195）”的研究成果。

江西工程學院