[发明专利]面向人体复杂运动的运动模式预测及切换控制方法

权利要求书

1.面向人体复杂运动的运动模式预测及切换控制方法，其特征在于，所述方法包括以下步骤：

步骤一、提取人体单侧下肢EMG信号及IMU信号:将传感器贴在人体单侧下肢股直肌、股外侧肌、股内侧肌、胫骨前肌、比目鱼肌、半腱肌、股二头肌长头、腓肠肌外侧、腓肠肌内侧九块肌肉提取EMG信号，同时选择人体同侧腰部、大腿、小腿、脚背四个位置粘贴传感器采集IMU信号，通过佩戴在实验对象身上的脚底压力传感器及参考视频得出每个数据点对应的运动模式标签及运动相位标签，分为五种运动模式及四种运动相位；

步骤二、采用滑动时间窗法对数据进行重采样，之后对数据中的EMG信号提取四种时域特征并组成特征向量，对数据中的IMU信号提取两种时域特征并组成特征向量，两种向量合并为一个新的特征向量；

步骤三、设计默认参数的GBRT分类器作为运动模式分类算法：将合并后的特征向量输入至运动模式分类算法求解最优参数，之后代入参数至模型采用k折交叉验证法训练模型并得出平均准确率；

步骤四、另设计五个默认参数的GBRT分类器作为运动相位分类算法：对应特征向量的五种运动模式标签，将特征向量及其运动相位标签分别输入五个运动相位分类算法，并使用穷举法分别求得五种分类器最优参数，之后代入参数至模型采用k折交叉验证法训练模型并得出平均准确率；

步骤五、部署训练完毕的运动模式分类器及运动相位分类器，在实验环境下进行测试，测试过程中保存分类结果及原始EMG与IMU数据；

步骤六、测试完毕后通过脚底压力传感器及视频标记原始EMG与IMU数据运动模式标签与运动相位标签，并通过时间窗算法及特征提取算法将数据转化为特征表示，其标签与分类结果进行比对，计算准确率，当准确率大于预设的阈值时，证明算法可行。

2.根据权利要求1所述的面向人体复杂运动的运动模式预测及切换控制方法，其特征在于，在步骤一中，具体包括以下步骤：

步骤一一，采集人体下肢EMG信号及IMU信号：

信号采集设备采用DelsysTrigno肌电采集系统，包含无线通信基站与16个无线肌电电极，每个电极内置有EMG及IMU信号采集器，DelsysTrigno肌电采集系统支持离线采集模式及在线采集模式：离线采集模式下在实验结束后对EMG及IMU信号进行封装并发出，在线采集模式下设定单次传输数据长度，每当EMG及IMU信号记录长度达到设定值便传输一次，对测试对象单侧下肢股直肌、股外侧肌、股内侧肌、胫骨前肌、比目鱼肌、半腱肌、股二头肌长头、腓肠肌外侧、腓肠肌内侧九块肌肉表面皮肤进行脱毛及去角质处理，随后将9个电极粘贴在这九块肌肉皮肤表面处提取EMG信号，同时另取4个电极分别粘贴于同侧腰间、大腿、小腿及脚面处采集IMU信号，Delsys数据采集模式选择离线模式；

步骤一二、测试对象在多地形下行走，同时采集测试对象EMG信号及IMU信号：

采集开始时实验对象足底粘贴脚底压力传感器同时录制视频记录，当采集结束后利用足底压力传感器及视频对数据的运动模式及运动相位标签进行标记，运动模式分为平地、上楼梯、下楼梯、上斜坡、下斜坡五种模式，运动相位对应背景提到的足跟支撑相、全足支撑相、足尖支撑相以及摆动相四种相位。标记后该数据作为运动模式分类算法与运动相位分类算法的训练集。

3.根据权利要求1所述的面向人体复杂运动的运动模式预测及切换控制方法，其特征在于，在步骤二中，具体包括以下步骤：

步骤二一、采用滑动时间窗方法对训练集数据进行重采样，滑动时间窗两端均对应EMG信号与IMU信号的同步，滑动时间窗的步进长度也应确保滑动后的时间窗内EMG信号及IMU信号互相同步；

步骤二二、对重采样后的数据提取时域特征，其中EMG信号提取均值绝对值MAV、过零率ZC及波周长WL，IMU信号提取均值绝对值MAV和波周长WL，其相关数学表达如下：

上式中i表示第i个时间窗，L表示时间窗长度，x_k表示每个时间窗中第k个数值，

通过上述操作将时间窗内数据序列用单个特征值表示，由于重采样前每个数据点都有单独的运动模式标签及运动相位标签，因此数据特征化后将时间窗长度一半位置处的数据点对应标签作为该特征向量标签，由于每个时间窗内EMG信号和IMU信号在时域上同步，因此两种特征向量标签一致。