[发明专利]一种基于足底压力和曲线相似的人体运动意图识别的方法

说明书

本发明涉及运动意图识别技术，具体涉及一种基于足底压力和曲线相似的人体运动意图识别的方法，包括对步态相位分类及自定义步态事件；根据三种步态事件的发生确定步态运动意图识别流程；在运动意图识别的过程中，核心建立三种不同的步态事件曲线相似性模型及其计算方法；利用有监督学习方式，有限训练样本和演化计算搜索曲线模板模型参数，将收集的步态数据进行标注，用于模板模型的训练和测试。该方法提出了一种新的步态相位分类，每个曲线相似模型的参数都是由训练数据所确定，代表一种模式分类的同时，也代表了一种虚拟的模板曲线及参数分布。具有识别准确率较高，且所有参数自动适应不同运动速度和体重的个体，适应性更强。

技术领域

本发明属于运动意图识别技术领域，特别涉及一种基于足底压力和曲线相似的人体运动意图识别的方法。

背景技术

助力外骨骼机器人是一种拟人化的仿生结构，也是近年兴起和发展的一种新颖的可穿戴智能机器人。助力外骨骼机器人可以与穿戴者协同运动，通过陀螺仪、关节角度编码器、人机交互力、sEMG(surface Electromyogram，sEMG)及足底压力传感系统等传感器，实现人体运动意图感知或识别，同时驱动电机或液压缸以增强人体机能或者辅助运动障碍人士实现正常人体运动。助力外骨骼机器人主要应用于两个领域，一是医疗康复领域，主要是辅助残障人士正常活动；二是军事应用，比如强化士兵机能。

人体动作识别的基本流程主要包括数据采集与预处理、特征提取与选择、分类器训练三大块。数据采集主要是采集人体运动数据，用以后续分类模型的训练以及测试。数据的预处理主要是对数据滤波、降噪、归一化、重采样等，为后续的特征提取提供更准确规范的数据。数据预处理后，可根据具体的分类需求提取和选择数据的特征，数据特征可分为时域特征、频域特征和时频特征三种类型。

提取特征后可以对特征抽取或者降维，目前较为常用的方法有主成分分析法(Principal Component Analysis,PCA)、线性判决分析法(Linear DiscriminantAnalysis,LDA)等。选取特征后，再选择适合的分类器进行模型训练，目前较为常用的分类器有朴素贝叶斯模型(Naive Bayesian Model，NBM)、K近邻算法(KNearest Neighbor,k-NN)、支持向量机(Support Vector Machine，SVM)、隐马尔科夫模型(Hidden MarkovModel,HMM)、深度神经网络(Deep Neural Network，DNN)等。其中，基于Hilbert-huang描述子和K-近邻法的步态识别方法，由于K-近邻法按照轮廓划分，该算法的识别率较低。以支持向量机(Support Vector Machine,SVM)为初步动作识别算法，以隐马尔科夫模型(HiddenMarkov Model,HMM)为优化识别算法的人体动作实时识别流程，由于SVM中的核参数对预测结果影响较大，若参数选取不当，会降低步态预测准确性。传统基于阈值的步态相位识别仅判别着地和离地两种状态，不适合不同体重及行走速度的步态相位识别，存在滞后性。

发明内容

针对背景技术存在的问题，本发明提供一种基于足底压力和曲线相似的人体运动意图识别的方法。

为解决上述技术问题，本发明采用如下技术方案：一种基于足底压力和曲线相似的人体运动意图识别的方法，包括以下步骤：

步骤1、定义步态相位分类及步态事件；步态相位分类包括着地、离地和预备离地步态；步态事件包括初始着地事件、初始离地事件和终止着地事件；

步骤2、根据步态事件的发生确定步态运动意图；通过识别步态事件，提前感知步态运动趋势；当对应脚的终止着地事件发生时，表明对应脚有抬起动作，下一个趋势是对应脚进入预备离地步态；当对应脚的初始离地事件发生时，表明对应脚即将完全抬起，下一个趋势是对应脚进入摆动相离地步态；当对应脚的初始着地事件发生时，表明对应脚终止摆动，开始进入着地步态。

步骤3、建立三种不同的步态事件曲线相似性模型并进行计算；