[发明专利]一种基于滤波器组的脑瘫儿童步态相位识别方法

说明书

本发明提供了一种基于滤波器组的脑瘫儿童步态相位识别方法，包括：原始信号获取阶段，其中获取脑瘫儿童的表面肌电的原始信号；预处理阶段，其中对接收到的原始信号进行预处理；特征库建立阶段，其中基于log‑gabor滤波器组对预处理后的表面肌电信号进行多频段滤波，并且基于线性判别分析进行特征提取来建立特征库；分类阶段，其中采用极限学习机作为分类器，从特征库里挑出来的特征子集和对应的标签信息作为训练样本，进行ELM建模，以评估脑瘫儿童正常行走过程中步态相位分类。

技术领域

本发明涉及医疗器械领域，具体涉及一种脑瘫儿童康复训练技术；具体地说，本发明涉及一种适合脑瘫儿童康复训练的步态相位识别方法。

背景技术

步态相位识别系统对康复训练机器人、人工假肢等技术的发展有重要的意义，尤其是表面肌电信号(sEMG)与康复机械相结合的实现，对步态缺陷患者的康复起到了重要作用。但是，现今关于步态的研究，多数停留在运动功能健全的样本上，患者本身与具有正常行为能力人的步态之间存在较大差距，也就是说二者无法相互替代；并且现今步态识别系统，多数针对算法本身进行完善，就算法结构上并未做过多创新。因此，本文针对脑瘫儿童为样本，提出一种适合脑瘫儿童康复的基于滤波器组线性判别分析的步态相位识别算法。

为了实现表面肌电信号与脑瘫儿童机械助力装置的结合，国内外学者致力于步态识别算法研究，针对预处理、特征提取、模式识别三个阶段均有不同程度的创新，实验结果表明，算法的改进可以在提升识别精度的同时，加强鲁棒性。

一些文献记录了传统步态相位识别方法，例如：Jain等人采用人工神经网络模式进行识别，在对比了多种方法优缺点后实现了对假肢的控制； chetas等人将贝叶斯准则和线性判别分析结合起来，进行了八个步态的相位识别，证明了加入贝叶斯准则可以将识别精度大大提升；Ming Meng等人利用隐马尔可夫模型对步态进行识别，并改进了Baum-welch算法，从而使精度得到较大提升。由此可见，大多数算法的改进都是对算法本身的计算进行完善，或者将同功能算法进行替换，重新组合，很少有人建立起特征库的形式。

发明内容

【发明目的】

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种适合于脑瘫儿童的能够区分其步态相位的系统，指导病人的康复训练过程。

根据本发明，可以有效地识别出脑瘫儿童正常行走中步态相位阶段，并在日后用于脑瘫儿童的康复训练机械中，二者的有力结合可以在遵循患者主观意志的情况下，提高训练效率，使得脑瘫人群恢复一定的运动能力，提高生活质量。

【技术方案】

根据本发明，提供了一种基于滤波器组的脑瘫儿童步态相位识别方法，其特征在于包括：

原始信号获取阶段，其中获取脑瘫儿童的表面肌电的原始信号；

预处理阶段，其中对接收到的原始信号进行预处理；

特征库建立阶段，其中基于log-gabor滤波器组对预处理后的表面肌电信号进行多频段滤波，并且基于线性判别分析进行特征提取来建立特征库；

分类阶段，其中采用极限学习机作为分类器，从特征库里挑出来的特征子集和对应的标签信息作为训练样本，进行ELM建模，以评估脑瘫儿童正常行走过程中步态相位分类。

优选地，在预处理阶段中，首先选择小波去噪 技术对原始信号进行处理，随后运用椭圆形带通滤波器和/或最小二乘带阻滤波器对小波去噪 之后的信号进行处理。

优选地，滤波器带宽定在20-350Hz带宽下运用椭圆形带通滤波器，在55-65Hz下运用FIR最小二乘带阻滤波器。

优选地，基于互信息熵选择互信息熵值最大的预定数量的特征来建立特征库。

优选地，在线性判别分析中，将特征维数降至50维。