[发明专利]面向外骨骼的基于TCN-HMM的步态相位分类方法

说明书

本发明公开了面向外骨骼的基于TCN‑HMM的步态相位分类方法。本发明的具体步骤如下：1.IMU数据采集。2.对步骤1中采集的步态数据进行预处理。3.构建训练集和测试集。4.构建混合TCN‑HMM模型。5.利用训练集对混合TCN‑HMM模型进行训练。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。本发明创新性地利用TCN网络来获取状态的后验概率，并利用后验概率获取HMM模型所需的发射概率，构成了混合TCN‑HMM模型，该模型将运动数据的时间特征与空间特征有机地结合在了一起并对步态相位信息进行了判别。本发明不仅得到了准确率很高的步态相位分类结果，同时抑制了错误的分类。

技术领域

本发明属于下肢外骨骼人机协同运动控制领域，涉及一种基于混合TCN(TemporalConvolutional Networks)以及HMM(Hidden Markov Model)模型的人类行走步态相位分类方法。

背景技术

近年来，外骨骼机器人已经成为医疗、生活、工业和军事应用中的新兴技术。其中，下肢外骨骼体现出了巨大的价值，它将人的智力和机器人的“体力”完美结合，在助力、助老、助残及军事领域有广阔应用前景。

步态相位分类是分析步行运动的通用方法，不同步态相位的准确分类对于控制下肢外骨骼和检测用户意图至关重要。目前步态相位的识别方法通常可以分为两类，一是阈值方法，它通过设置不同的阈值来确定相应的步态相位信息。这种方法较为常见，但是这种方法比较粗糙，鲁棒性较低，很难处理复杂的情况。二是近年来不断发展的人工智能方法，研究人员们将不同类型的传感器数据处理后输入到机器学习或深度学习模型中，从而达到检测步态相位的目的。常用的算法包括支持向量机(SVM)、长短期记忆网络(LSTM)、隐马尔可夫模型(HMM)等，这些方法虽然也取得了较好的结果，但是它们并没有将数据的空间特征与时间特征有机地结合起来，因此仍有改进的空间。并且传统的基于计算机视觉，或者通过对肌电信号、足底压力信号进行处理分析的检测步态相位的方法在实际应用中都存在着鲁棒性不足，易受环境干扰且设备易磨损等问题。

发明内容

本发明的目的是针对现存方案存在的不足和改善需要，提出了一种基于TCN-HMM的步态相位实时分类方法。同时，为了解决当前许多人体运动信号采集装置所存在的易磨损、易受干扰等问题，本发明采用了更加便携、耐用且可靠的IMU传感器，它可以根据需要安装在身体的不同部位，从而获取丰富的人体运动信息。本发明通过混合TCN-HMM算法对高维IMU信号的空间特征和时间特征进行了提取和分析，实现了对人行走时步态相位的实时分类并将其应用到下肢外骨骼设备的控制中，帮助实现对下肢外骨骼设备行走运动的柔顺控制。

本发明的具体步骤如下：

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

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。