[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

说明书

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。

技术领域

本发明涉及人体运动参数测量信号的模式判别领域，特别是人体下肢日常行为运动意图的预测识别技术。

背景技术

人体下肢运动模式态的自动识别是实现智能假肢和助力助残外骨骼机器人系统主动控制和高效人机交互的关键技术之一。在复杂的日常行为运动场景中，如何敏锐地获取人体的多种运动意图，并根据人体的实时运动意图实现机器人系统的主动助力控制，以达到机器人系统快速、准确地顺应人体反应并实现自然运动模式，成为非运动滞后控制拟解决的难点所在。现有的运动意图识别技术主要通过可穿戴多源传感器系统采集足底压力、肢体惯性传感信号以及表面肌电信号等多源信息后以特征融合和模式识别的方法进行判断。应用的识别方法有人工神经网络方法、K近邻方法、频域阈值分割、线性判别分析、高斯混合模型分类方法和隐马尔科夫模型等。

现有方法在识别人体静止姿态和动态运动方面都取得了一定的效果，但是都面临着运动特征不稳定导致的识别率起伏较大的问题。隐马尔科夫模型是其中识别效果最为显著的方法，缺点在于模型运动参数估计较为困难，所需数据量和计算量都较大，影响算法的实时应用。本发明所描述的基于多尺度高斯-马尔科夫随机场模型的下肢运动模式自动识别算法能够融合处理多种足底压力信号、关节角度信号和运动学信息，所抽取的二维信号特征不同于现有的公开发表的方法，具有更稳定的局部时域特征分布，是一种有效的分层决策意图判别算法。

发明内容

本发明为克服辅助运动系统中现有运动模式识别技术可靠性较差和准确性偏低的问题，提出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，以期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。

本发明为解决上述技术问题所采用的技术方案是：

本发明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的特点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；