[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

说明书

本发明为基于集成学习和足底压力的自适应行走状态识别方法，该方法仅使用足底压力传感器对人体当前所处于的行走状态进行识别，通过安置于足底指定位置的薄膜压力传感器采集足底压力信号。根据滤波后的信号得到下肢外骨骼穿戴者在一个步态周期中的准确的足底特定位置压力变化。再将足底压力变化送入信号处理设备，为机器学习中的集成学习行走状态分类识别器提供原始的数据集合。信号处理设备根据数据集合训练生成由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结合而成的集成学习分类识别模型。同时针对不同体型，体态，年龄以及行走习惯的人群生成与其相适应的分类识别器，为下肢外骨骼控制提供了准确的控制依据。

技术领域

本发明涉及人体下肢步态识别技术领域，具体涉及一种足底压力和自适应集成学习的自适应行走状态识别方法。

背景技术

下肢外骨骼助力机器人技术中的关键在于识别人体步态相位中行走状态，通过研究人体当前所处于的步态相位进而采取相应的控制策略。现有技术中，专利CN201610676813通过采集肌电信号来获取行走信息，由于肌电信号较为微弱，采集精度和准确度难以保证，专利CN201510172243通过姿态传感器采集人体姿态，该种方式需要采集多种步态信息，如角速度、加速度、磁场强度。同时，由于每个人的行走习惯的不同，以上识别方式均未考虑由于穿戴者的体态特征等因素可能造成的识别精度下降问题，忽略了个体的差异性。人体足底压力包含了人体行走状态、行走步态等丰富信息。现有的专利技术大部分是针对人体在不同状态的步态模式来识别的，比如专利CN201711291528针对的是平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进等运动步态，然而对于在每个步态周期中，人体步态相位中的行走状态识别欠缺研究。人体行走状态的准确识别决定了下肢外骨骼助力机器人能否准确舒适的辅助穿戴者行走。因此，能够提供一种更加精确地基于足底压力反馈的行走状态识别方法是十分必要的。

发明内容

针对上述技术问题，本发明的目的是，提供一种基于足底压力和自适应集成学习的行走状态识别方法。该方法针对每种步态模式下各自的行走状态进行精确分类，同时随着穿戴者的不同能自动调整控制参数，进而保证识别方法的准确率。

本发明解决所述技术问题采用的技术方案是，提供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；

步骤3：步态周期足底压力变化数据分界点时序值获取

获得已经归一化的一个步态周期足底压力变化数据后，根据各个通道足底压力变化数据曲线峰值的关系，即根据曲线间差异率最大公式，确定不同行走状态的分界点时序值，根据分界点时序值对步态周期进行划分得到行走状态的时序值范围；

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