[发明专利]一种基于脑肌电信号的步态识别方法

说明书

本发明公开了一种基于脑肌电信号的步态识别方法，对一个步态周期的标定更加精细，更加接近人类真实步态。对下肢关键关节的运动轨迹进行同步采集，实现对连续下肢运动的精细划分，从而准确还原真实的步态过程。采用EEG和EMG信号相结合的方式，获取了更多的步态信息，提高了步态识别准确率。运动指令先在大脑中产生，因此，EEG信号也可以用于运动意图的识别，EEG信号的加入，完善了下肢的运动信息，进而提高下肢步态识别准确率。

【技术领域】

本发明属于步态识别方法，具体涉及一种基于脑肌电信号的步态识别方法。

【背景技术】

步态具有周期性和连续性，人类的一个步态周期一般可以分为支撑期和摆动期，其中支撑期又可细分为承重反应期、支撑中期和支撑末期，摆动期可分为预摆动期、摆动初期、摆动中期和摆动末期。对步态进行识别是下肢康复的首要工作，一般是先采集足底压力、关节角度、下肢肌电(Electromyography,EMG)和脑电(Electroencephalogram,EEG)等信息，对所采集的信息进行预处理，再对肌电信号和脑电信号进行特征分析和解码，最大限度的对每个步态周期的精细相位进行识别。

目前利用EMG信号对步态进行识别的技术已经非常成熟，比如Ziegler等人发表的《Classification of Gait Phases Based on Bilateral EMG Data Using SupportVector Machines》中提出，提取双腿肌肉对的EMG信号特征，用支持向量机(SupportVectorMachines，SVM)实现对支撑期和摆动期的识别，最高识别率可达96％。高发荣等人在《基于遗传算法优化支持向量机的肌电信号步态识别方法》中，利用遗传算法对SVM的惩罚参数和核函数参数进行优化，提高SVM对基于EMG信号的步态识别效果，实现对下肢支撑前期、支撑中期、支撑后期、摆动前期和摆动后期五个相位的识别。虽然上述文献中提出的方法实现了步态识别，但是，一方面，其并不能实现对精细步态的识别，另一方面，当肌肉出现疲劳时，EMG信号并不能实现对步态的准确识别。

大脑皮层的EEG信号先于运动产生，因此EEG信号可以用于人体运动意图识别，比如Chowdhury等在《An EEG-EMG correlation-based brain-computer interface forhand orthosis supported neuro-rehabilitation》中提到，提取了基于EEG-EMG之间的限带功率时间过程的相关性特征，令16名健康个体和8名偏瘫患者参与了一项基于脑机接口(Brain Computer Interface,BCI)的手部矫形触发任务，以测试该方法的性能，实验结果表明，EEG-EMG之间的限带功率时间过程的相关性特征驱动BCI系统的效果更佳。Tryon等人在《Performance Evaluation of EEG/EMG Fusion Methods for MotionClassification》中分别利用EMG、EMG与EEG融合方法，对不同肘部屈伸运动进行识别，同时改变肘部运动速度、重量和肌肉疲劳等参数，实验结果表明，EMG与EEG融合方法识别结果比EMG方法识别效果更好，此外，EMG与EEG融合方法识别结果受运动参数的影响较小，结果较稳定。

然而，在下肢运动识别中很少有研究者应用EMG与EEG融合方法，尤其在步态识别中，EMG与EEG融合方法是否能像在上肢中一样，提高识别准确率，并得到不受运动参数影响的识别结果，对步态识别将来在康复中的应用至关重要。

【发明内容】

本发明为解决步态识别时，采用EMG信号无法实现精细步态识别，且肌肉疲劳时识别准确性会降低，而EMG与EEG融合方法虽在上肢运动识别中效果更佳，但缺少应用于下肢运动识别研究依据的技术问题，提供一种基于脑肌电信号的步态识别方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于脑肌电信号的步态识别方法，包括以下步骤：