[发明专利]基于多尺度高斯-马尔科夫随机场模型的下肢运动识别方法

摘要

本发明公开了一种基于多尺度高斯‑马尔科夫随机场模型的人体下肢运动模式自动识别方法，包括：1采集人体下肢C种运动模式的原始数据，并对原始数据进行预处理，构建数据特征图；2信号的多尺度分解与特征场建模；3设定迭代次数Q，迭代更新第l层尺度图像观测场高斯模型参数{μ_c，σ_c，π_c}；4将分类结果与各运动模式标准集进行匹配判断模式归属，根据投票准则消除不同运动模式时序分割区域的边界模糊的问题。本发明能提取稳定的信号局部特征，克服运动不稳定带来的信号噪声影响，从而提高下肢运动模式的识别准确率和预测可靠性，为辅助运动系统的稳定控制提供技术支撑。

主权项

1.一种基于多尺度高斯‑马尔科夫随机场模型的下肢运动识别方法，其特征是按照以下步骤进行：步骤1、利用可穿戴多源传感器系统采集人体下肢多种运动模式的原始数据，并对原始数据进行预处理，构建数据特征图；步骤1.1、以Δt为采样时间间隔，在人体膝关节、髋关节和足底处共设置m个传感器用于采集人体典型运动模态及其相互转换时的连续行为数据作为原始运动数据，记为D＝(d₁,d₂,…,d_j,…,d_n)，d_j表示第j个离散点的原始运动数据，且为m维列向量，n为离散点的个数，则数据采集的时长为n×Δt；步骤1.2、数据预处理：采用卡尔曼滤波算法对原始运动数据D中的关节角度信号进行平滑处理，对足底压力信号进行局部空间求和计算，得到预处理后的运动数据；步骤1.3、对预处理后的运动数据进行归一化处理，得到归一化后的运动数据，记为D′＝(d′₁,d′₂,…,d′_j,…,d′_n)，d′_j表示到归一化后的第j个离散点的运动数据；并确定多种运动模式下的标准集和测试集；步骤1.4、以传感器的个数为行向量、以时序为列向量构建数据特征图，并将所述数据特征图进行x次重复组合，从而得到相应行向量维数为M＝x×m的数据特征图：其中，d′_ij为第i个传感器在第j个离散点归一化后的采样数据点，i＝1,2,…,M，j＝1,2,…,n；步骤2、信号的多尺度分解与特征场建模；步骤2.1、采用哈尔小波变换将所述数据特征图D*分解为L层尺度的特征图其中表示第l层尺度的哈尔小波分解图，l＝1,2,...,L；步骤2.2、对所述第l层尺度的哈尔小波分解图建立初始化的高斯观测场模型：采用C‑均值聚类算法对于所述数据特征图D*进行聚类，得到C个类，利用式(1)所示的高斯概率密度函数对任意第c个类建立高斯观测场模型：式(1)中，y_ij表示观测位置(i,j)处的观测值，c＝1,2,...,C表示观测位置样本所属的分类标记，μ_c表示属于第c类数据集的均值向量，且N_c为被标记为第c类的采样数据的个数，σ_c表示样本方差，且高斯概率密度函数f_l(y_ij|d′_ij＝c)满足约束条件其中，π_c表示分类权重，且满足并有得到，N为所有采样数据的个数；步骤2.3、利用式(2)所示的各向同性的多级逻辑马尔科夫随机场模型建立第l层尺度的哈尔小波分解图的初始化标记场，并确定势函数的β值：式(2)中，V₂为二元势函数，P(d′_ij|d′_Z(ij))表示采样数据点d′_ij的局部概率函数，Z(ij)表示位置(i，j)以外的所有邻域位置集合，d′_Z(ij)表示所有邻域位置集合Z(ij)中所有位置的采样数据集合，为第l层尺度哈尔小波分解图上标记空间的大小，n_ij(d′_ij)是位置(i,j)的邻域中采样值等于采样数据点d′_ij的邻域位置的个数；d′_ik表示第i个传感器在第k个离散点归一化后的采样数据点；步骤3、设定迭代次数为Q，迭代更新第l层尺度哈尔小波分解图的观测场高斯模型参数{μ_c，σ_c，π_c}：步骤3.1、在当前迭代次数q下，根据贝叶斯公式和采样数据点d′_ij在(i,j)处邻域的标记场，得到如式(3)所示的关系式：P(d′_ij|y_ij,d′_Z(ij))∝f(y_ij|d′_ij)P(d′_ij|d′_Z(ij))(3)利用式(4)对式(3)取最大化值，从而确定采样数据点d′_ij的类别标记：步骤3.2、利用式(5)计算位置(i,j)处的特征场能量式(5)中，μ_c为属于第c类数据集的均值向量，Σ_c为第c类数据集的协方差矩阵；步骤3.3、利用式(6)计算位置(i,j)处的标记场能量式(6)表示采样数据点d′_ij所有邻域位置的标记场势函数值之和；步骤3.4、计算所述特征场能量与标记场能量之和，根据能量最小原则确定采样数据点d′_ij的所属运动类别，从而估计采样数据点d′_ij新的分类识别结果；步骤3.5、令q+1赋值给q，判断循环迭代q是否大于最大次数Q，若大于，则执行步骤3.6，否则，转步骤3.1继续更新计算；步骤3.6、融合L个尺度的数据特征图分割结果：将l尺度数据特征图上获得的分割结果以同比例投影到l+1尺度上进行融合，依此类推获取融合后的时序分割结果，l＝1,2,...,L；步骤4、将所述融合后的时序分割结果与C种运动模式的标准集进行匹配，并判断时序分割结果的模式归属，根据投票准则消除不同运动模式下的时序分割区域的边界模糊的问题；步骤4.1、计算当前第c种运动模式与C种运动模式的标准值之间的欧式距离，取最小欧式距离对应的类别作为当前第c种运动模式类别；步骤4.2、统计垂直于时序维度方向上的各运动模式类别数量之和，以最大统计值作为模糊边界处运动模式的所属类别，从而对不同运动模式下相邻的时序分割区域的边界进行去模糊化处理，得到最终的C种运动模式的分类结果。