[发明专利]面向外骨骼的基于TCN-HMM的步态相位分类方法

权利要求书

1.面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：

步骤1.IMU数据采集

在一个或多个被试者的腰部、小腿部、大腿部设置IMU传感器；在被试者行走中采集步态数据；

步骤2.对步骤1中采集的步态数据进行预处理；

步骤3.构建训练集和测试集

3.1数据划分

并将采集到的步态数据内的步态周期按照足跟接触、足平、脚趾脱离这三个步态事件划分为三个步态相位，并对各个相位打上标签，获得训练集；

3.2对步态数据进行数据分段；

步骤4.构建混合TCN-HMM模型

在TCN模型的输出层使用softmax激活函数，从而获得各个状态的后验概率，通过贝叶斯规则将后验概率转换为用于输入HMM模型的发射概率，使得HMM模型能够推断出最佳隐藏状态序列，即所分类的步态相位；

步骤5.利用训练集对混合TCN-HMM模型进行训练；

步骤6.利用训练好的混合TCN-HMM模型对新的行走IMU数据进行分类。

2.根据权利要求1所述的面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：步骤1中，被试者在行走时穿着带有足底压力传感器的压力鞋；步骤3.1中根据压力鞋中的压力传感器检测到的压力情况进行相位划分。

3.根据权利要求1所述的面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：步骤2中的预处理采用了5Hz三阶的巴特沃斯低通滤波。

4.根据权利要求1所述的面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：步骤3-2中，采用滑动窗口的方式进行数据分段，且滑动窗口采用固定窗口大小且有数据重叠；滑动的步长为1帧。

5.根据权利要求1所述的面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：步骤4的具体过程如下：

4.1 TCN序列建模

将步骤3.2分段后的数据转化为一维向量输入到TCN网络中进行训练，训练所获得的TCN模型用于输出每一个相位类别的后验概率估计值；

TCN网络包括一维全卷积网络结构、因果卷积、扩张卷积以及残差连接；

1)一维全卷积网络结构：在一维全卷积网络结构中，每个隐藏层与输入层长度相同，并对后续层进行零填充以保持其长度与前一层相同；

2)因果卷积：卷积层在t时刻的输出仅与来自t时刻以及上一层中更早的元素卷积；

3)扩张卷积：对于输入的一维序列x，扩张卷积运算F(s)定义为:

其中，d为扩张因子；k为卷积核的大小；f(i)表示卷积核的第i个权重；x_s-d·i表示输入的一维序列x中编号为s-d·i的元素；s为要进行扩张卷积运算的位置；

4)残差连接：使用残差模块来代替卷积层，残差模块主要包含两层扩张的因果卷积以及整流线性单元(ReLU)；同时，为了保证输入和残差模块的输出具有相同的宽度，额外使用了1×1卷积；

4.2HMM步态相位预测

将TCN网络输出层的每个单元与模型的特定状态相关联，训练它来估计每个状态的后验概率，即通过在输出层使用softmax激活函数获取状态y∈{1,…,Q}的分布：

其中，s_y表示TCN网络输出层在使用softmax函数前的第y个输出值；Q表示状态数，即步态相位类型数；

TCN模型的输出值是基于输入的状态概率分布的估计值：

其中，表示代表状态y_t的输出；

然后，再通过贝叶斯规则将输出的后验概率估计转换为HMM所需要的发射概率：

其中，p(y_t)为先验概率，对于先验概率p(y_t)本发明根据训练数据中每个步态相位出现的相对频率来进行估计；为比例系数；

最后，通过Viterbi算法推断出最佳隐藏状态序列。