[发明专利]一种基于脑肌电信号的步态识别方法

权利要求书

1.一种基于脑肌电信号的步态识别方法，其特征在于，包括以下步骤：

S1，采集待测对象的下肢关节运动轨迹、双腿运动肌肉群的表面EMG信号、以及EEG信号；

S2，利用经步骤S1进行重采样预处理后的下肢关节运动轨迹进行步态划分和标定，同时，对双腿运动肌肉群的表面EMG信号和EEG信号进行同步的步态划分和标定，所述步态划分具体是将一个步态周期划分为承重反应期、支撑中期、支撑末期、预摆动期、摆动初期、摆动中期和摆动末期七个相位；

S3，分别提取双腿运动肌肉群的表面EMG信号和EEG信号经步骤S2进行步态划分后各相位的时域斜率变化特征，以及双腿运动肌肉群的表面EMG信号经步骤S2进行步态划分后各相位的平均功率频率特征；

S4，对双腿运动肌肉群的表面EMG信号对应各相位的时域斜率变化特征和平均功率频率特征进行组合，得到第一特征向量组；对EEG信号对应各相位的时域斜率变化特征、双腿运动肌肉群的表面EMG信号对应各相位的时域斜率变化特征和平均功率频率特征进行组合，得到第二特征向量组；

S5，利用第一特征向量组和第二特征向量组进行精细步态识别，具体为：

S5.1，利用第一特征向量组和第二特征向量组建立七分类步态识别模型，具体为，对经步骤S2进行步态划分的相位分别设定不同的标签，利用第一特征向量组和第二特征向量组，分别在MATLAB中利用LIBSVM工具箱建立七分类步态识别模型；

S5.2，将第一特征向量组和第二特征向量组的70%输入所述七分类步态识别模型进行训练；

S5.3，将第一特征向量组和第二特征向量组的剩余30%输入所述七分类步态识别模型，测试训练得到七分类步态识别模型的识别效果，所述测试训练具体是在MATLAB中利用LIBSVM工具箱进行测试训练。

2.如权利要求1所述的基于脑肌电信号的步态识别方法，其特征在于：所述步骤S1和所述步骤S2之间还包括步骤S1-2，对步骤S1所采集的下肢关节运动轨迹、双腿运动肌肉群的表面EMG信号、以及EEG信号进行重采样预处理。

3.如权利要求2所述的基于脑肌电信号的步态识别方法，其特征在于：所述步骤S1-2具体为，对EEG信号进行重参考、带通滤波、眼电独立成分去除和运动伪迹去除；对双腿运动肌肉群的表面EMG信号进行带通滤波和小波去燥；对下肢关节运动轨迹进行计算处理。

4.如权利要求2所述的基于脑肌电信号的步态识别方法，其特征在于：步骤S1-2中，所述重采样预处理的频率为1000Hz。