[发明专利]一种基于肌音信号的下肢假肢步态识别方法

说明书

本发明提供了一种基于肌音信号的下肢假肢步态识别方法，包括以下步骤:步骤1：获取预处理后的肌音信号；步骤2：利用差分HOC提取不同步态识别的特征值样本集；步骤3：利用通过蝙蝠算法优化的相关向量机建立多分类步态识别模型；步骤4：利用多分类步态识别模型进行下肢假肢步态识别；本发明所述的一种基于肌音信号的下肢假肢步态识别方法，将表征时间序列的差分HOC方法用于提取不同步态识别的特征值样本集，结合通过蝙蝠算法优化的相关向量机建立了多分类步态识别模型，显著的提高了下肢假肢步态识别的准确率。

技术领域

本发明属于模式识别领域，涉及一种下肢假肢步态识别方法，尤其涉及一种基于肌音信号的下肢假肢步态识别方法。

背景技术

佩戴智能假肢是截肢患者恢复基本运动能力的唯一途径，目前较为成熟的智能假肢有德国Otto Bock公司的C-Leg、Genium系列假肢，冰岛Ossur公司的Rheo Knee假肢等；由于下肢运动的特殊性和复杂性，步态识别是智能假肢研究的核心技术之一。

根据信号源的不同，步态识别信号源主要包括两种：

1)采集下肢关节角度、惯导信息、足底压力信息等生物力学信号识别步态，例如加速度传感器、角度传感器、脚底压力传感器、位置传感器等，但是这些信息只有在佩戴者完成一定的动作之后才能采集到，在识别相应运动模式时不可避免的会产生一定的延迟；

2)表面肌电信号(sEMG)作为一种人体生物信号，包含了大量的神经信号，结合模式识别算法可以解析出相应的步态模式；人体运动时肌肉振动产生的肌音信号(MMG)和肌电信号相似，都是可以反映肌肉状态的信号源；虽然对肌音信号的研究相对肌电信号晚，但肌音信号与肌电信号相比具有其自身优势；如：肌音信号的采集利用压电传感器或者加速度传感器即可完成，对传感器要求较低，而肌电信号的采集需要表面导电涂层，成本和要求较高；另外，肌音信号原始生理信号比肌电信号原始生理信号强度大，并且受到外界和体表的电磁干扰小，更易采集。

由于肌音信号优势显著，近些年国内外一些学者对其特点及应用进行了深入研究；Alves等利用上肢两通道肌音信号对3种模式手部动作进行模式识别，准确率达到了89％±2％；目前对肌音信号的研究主要集中于上肢肌力研究和上肢手臂及手部动作的模式识别，而对步态识别的研究不多。

从上世纪90年代，支持向量机、神经网络等模式识别算法开始被应用到步态分类中；支持向量机(SVM)是由Vapnik在1995年提出的一种通过建立决策超平面，实现样本分类的方法；由于其多样性、鲁棒性和免费可行的工具箱等优点被广泛地应用到人机交互的模式识别中；Lucas等人基于多通道sEMG信号的离散小波变换，并利用SVM的方法实现了步态的分类；支持向量机(SVM)是一种识别较好的肌电假肢步态分类器，但SVM也存在一些缺陷：SVM在步态识别过程中，存在惩罚因子难以确定的缺陷；神经网络在肌电模式分类和肌电信号处理方面，进行了相当多的研究，并获得了非常有价值的结果，但是神经网络常常面临权值参数人工设置繁琐、训练速度慢的缺陷。

发明内容

本发明的目的在于提供一种基于肌音信号的下肢假肢步态识别方法，能够克服SVM在步态识别过程中惩罚因子难以确定的缺陷，还能够克服神经网络权值参数人工设置繁琐、训练速度慢的缺陷。

为了实现上述目的，本发明采用以下技术方案：

一种基于肌音信号的下肢假肢步态识别方法，包括以下步骤：

步骤1：采集大腿截肢患者的下肢肌音信号并对所述肌音信号进行预处理；具体的：

所述的大腿截肢患者为从坐骨结节下10cm至膝关节间隙上8cm范围内的大腿截肢患者，所述肌音信号为股直肌、股内侧肌、股外侧肌不同步态下的肌音信号，所述不同步态为平地行走、上楼、下楼、上坡、下坡5种不同步态；