[发明专利]基于足底压力和自适应集成学习的行走状态识别方法

权利要求书

1.一种基于集成学习和足底压力的自适应行走状态识别方法，该方法的步骤是：

步骤1：人体行走周期足底压力变化信号获取和信号调理

通过足底压力采集设备采集人体在一个步态周期中的多通道足底压力变化数据，然后将所采集的压力数据通过信号调理进行放大滤波处理，再经过信号处理设备进行二次滤波处理；足底压力采集设备在足底采集点的安放位置至少为五个，分别为第一跖趾关节、第三跖趾关节、第五跖趾关节、舟状骨及根骨位置；

步骤2：行走周期的分割和长度归一化

将上述步骤1得到的信号数据在信号处理设备中进行处理，根据搜索最大值差异法将行走周期分为若干个步态周期，同时选定第一个步态周期作为标准周期，根据标准周期，通过搜索变异值最大算法对其余的周期中的冗余数据和残缺数据进行定位，进而删除冗余数据并通过拉格郎日插值法修复残缺数据完成步态周期长度归一化；

行走周期的分割和长度归一化的具体过程是：

信号采集所采集到的一个行走周期内的足底压力变化数据是若干个步态周期的足底压力变化数据；需要将其中的每个单独的周期分割出来；根据所得到的步态周期内的足底压力数据和变化曲线图，图中横坐标为时序值，纵坐标为压力数，出现两个峰值和一个谷的双峰波形；其中第一个峰出现于对侧足蹬离后单足支撑期开始之时，此时单足的负重较大；谷值出现于负重在单足前移的过程中，因为对侧的蹬离动作产生一个身体向上的加速度，使得此时的足底压力略小于体质量值；第二个峰出现于对侧足足跟着地而同侧足蹬离时，此时加速度减小，单侧足底压力也处于较高的水平；

周期分割采用如下方法，这里选择足底压力数据和为参考，选取每个行走周期中的足底压力和曲线的显著谷底，然后以该谷底作为划分点，划分出若干个步态周期；根据显著经验得在步态周期开始时，脚底在完全离开地面，足底压力变化数据和为最小；以第一个出现的峰值的时序值作为步态周期起始点，同时该点也作为上一个周期的结束点，以下一个出现的峰值的时序值作为周期结束点，同时该点也作为下一个周期的起点，此为一个步态周期；以下的步态周期截取同此理；所述显著经验是：根据生活经验和实验数据验证得到，脚和地面的接触力为0的时候，是人的脚和地面不接触的时候，也就是在人刚要抬离地面、及刚要踏上地面的时刻；周期分割时间差值计算公式是：

T_m＝i_s+1-i_s(s≤1,2.....),s为整数，

T_m是行走周期分割后得到的第m个步态周期，i_s和i_s+1分别是足底压力变化数据和中出现的第s个和s+1个峰值时的时序值；

数据进行归一化处理：这里以第一次得到的步态周期作为标准周期，之后的步态周期中足底压力变化数据采用搜索变异值最大算法处理：对于冗余数据，标准周期长度为T₁，此区间内的周期长度为T₁+100，对这里的每一个数据进行变化率计算，对变化率取绝对值并按大小排序，删除变化率绝对值前100的冗余数据；对于残缺数据，找出变化率绝对值后100的足底压力变化数据时序值，选取该足底压力变化数据的前后两个足底压力变化数据作为插值参考，采用拉格朗日插值的方法填补修复残缺的数据，得到归一化后的足底压力变化数据；

拉格朗日插值公式如下：

式中，P_j是第j个通道待插补足底压力变化数据，是第j个通道待插补足底压力变化数据的前一个时序值，是第j个通道待插补足底压力变化数据的后一个时序值；P′_j是第j个通道待插补足底压力变化数据的前一个时序值的压力数据，P″_j是第j个通道待插补足底压力变化数据的后一个时序值的压力数据；

上述搜索变异值最大算法和拉格朗日插值法共同构成归一化处理；

步骤3：步态周期足底压力变化数据分界点时序值获取；

步骤4：建立多通道行走状态特征数据集合

根据步骤3得到确定分界点后的多通道足底压力变化数据，将五通道足底压力变化数据融合成为五维足底压力变化数据向量，并根据步骤3得到的行走状态时序值范围，建立足底压力数据变化的多通道行走状态特征数据集合；

步骤5：建立集成学习分类识别模型

根据步骤5得到的多通道行走状态数据集合，分别建立KNN分类模型、多类分类支持向量机分类模型、多类分类决策树模型，再将上述三个模型根据加权投票集成法则集成为一个集成学习分类识别模型；

步骤6：建立自适应集成学习分类识别模型

使用者使用时，采集当前使用者的足底压力变化数据，并将该数据即时更新步骤4的足底压力变化特征数据集合γ，并且根据即时更新的足底压力变化特征数据集合γ实时修正更新步骤5的集成学习分类识别模型，自适应识别出不同使用者的行走状态。