[发明专利]基于足底压力和自适应集成学习的行走状态识别方法

摘要

本发明为基于集成学习和足底压力的自适应行走状态识别方法，该方法仅使用足底压力传感器对人体当前所处于的行走状态进行识别，通过安置于足底指定位置的薄膜压力传感器采集足底压力信号。根据滤波后的信号得到下肢外骨骼穿戴者在一个步态周期中的准确的足底特定位置压力变化。再将足底压力变化送入信号处理设备，为机器学习中的集成学习行走状态分类识别器提供原始的数据集合。信号处理设备根据数据集合训练生成由KNN分类模型、多类分类支持向量机分类模型、多类分类决策树模型结合而成的集成学习分类识别模型。同时针对不同体型，体态，年龄以及行走习惯的人群生成与其相适应的分类识别器，为下肢外骨骼控制提供了准确的控制依据。

主权项

1.一种基于集成学习和足底压力的自适应行走状态识别方法，该方法的步骤是：步骤1：人体行走周期足底压力变化信号获取和信号调理通过足底压力采集设备采集人体在一个步态周期中的多通道足底压力变化数据，然后将所采集的压力数据通过信号调理进行放大滤波处理，再经过信号处理设备进行二次滤波处理；足底压力采集设备在足底采集点的安放位置至少为五个，分别为第一跖趾关节、第三跖趾关节、第五跖趾关节、舟状骨及根骨位置；步骤2：行走周期的分割和长度归一化将上述得到的信号数据在信号处理设备中进行处理，根据搜索最大值差异法将行走周期分为若干个步态周期，同时选定第一个步态周期作为标准周期，根据标准周期，通过搜索变异值最大算法对其余的周期中的冗余数据和残缺数据进行定位，进而删除冗余数据并通过拉格郎日插值法修复残缺数据完成步态周期长度归一化；步骤3：步态周期足底压力变化数据分界点时序值获取；步骤4：建立多通道行走状态特征数据集合根据步骤3得到确定分界点后的多通道足底压力变化数据，将五通道足底压力变化数据融合成为五维足底压力变化数据向量，并根据步骤3得到的行走状态时序值范围，建立足底压力数据变化的多通道行走状态特征数据集合；步骤5：建立集成学习分类识别模型根据步骤5得到的多通道行走状态数据集合，分别建立KNN分类模型、多类分类支持向量机分类模型、多类分类决策树模型，再将上述三个模型根据加权投票集成法则集成为一个集成学习分类识别模型；步骤6：建立自适应集成学习分类识别模型使用者使用时，采集当前使用者的足底压力变化数据，并将该数据即时更新步骤4的足底压力变化特征数据集合γ，并且根据即时更新的足底压力变化特征数据集合γ实时修正更新步骤5的集成学习分类识别模型，自适应识别出不同使用者的行走状态。