[发明专利]一种基于K-Means及步态周期相似性的运动模式识别方法

说明书

一种基于K‑Means及步态周期相似性的运动模式识别方法，首先通过采集数据离线生成对应类别的模板向量；识别时，将实时采集的数据处理后与模板向量进行相似性分析，根据相似性结果进行运动模式分类，并根据相似性给出当前结果的概率，解决了现有技术中传统外骨骼机器人运动模式识别多采用机器学习计算量大或模板匹配精度有限的问题，可半自动提取特征向量集；实时性好，比传统模板匹配方法精度更高。

技术领域

本发明涉及一种基于K-Means及步态周期相似性的运动模式识别方法，属于外骨骼机器人领域。

背景技术

运动意图感知是外骨骼机器人助力的基础和前提，而运动模式识别是运动意图感知的重要组成部分。人体运动模式是指外骨骼机器人运动过程中，所处的站立、平地行走、平地跑步、上楼、下楼等状态。如何快速识别当前运动模式对实时调整助力策略、提高外骨骼助力效果具有重要意义。

目前运动模式识别多采用机器学习或模板匹配，前者存在计算量大，难以在低功耗嵌入式中应用的缺点；后者需根据实际情况手动生成模板，且精度有限。

发明内容

本发明解决的技术问题是：针对目前现有技术中，传统外骨骼机器人运动模式识别多采用机器学习计算量大或模板匹配精度有限的问题，提出了一种基于K-Means及步态周期相似性的运动模式识别方法。

本发明解决上述技术问题是通过如下技术方案予以实现的：

一种基于K-Means及步态周期相似性的运动模式识别方法，步骤如下：

(1)离线采集数据并生成模板向量；

(2)进行识别过程中，将实时采集数据经过处理后，获取实时特征向量并与步骤(1)所得模板向量进行相似性分析；

(3)根据相似性分析结果进行运动模式识别分类，并给出当前分类结果的概率。

所述步骤(1)中，生成模板向量的具体步骤为：

离线采集数据并进行处理后，进行步态周期划分，通过特征提取生成特征向量，并根据特征向量生成模板向量。

所述步骤(2)中，生成实时特征向量的具体步骤为：

采集实时数据并进行处理后，进行步态周期划分，通过特征提取生成特征向量。

根据运动周期性，对离线数据或实时数据进行数据压缩，获取步态周期数据切片，完成步态周期划分。

根据步态周期数据切片，进行降采样，具体方法为：

于步态周期数据{x(k)|k＝1,…,n}中均匀采样p个数据点x＝{x(mi)|i＝1,…,p}，处理后获取特征向量mi＝1+[(i-1)*n/p]；

其中，x(k)为当前数据切片中序号为k的数据；n为当前数据切片中数据总个数；mi为采样点的序号；[x]为不大于x的最大整数。

将特征向量x＝{x(k)|k＝1,…,p}进行归一化及单位偏移处理，获取特征向量集合x'＝x/(||x||)+E；

式中，||x||为x的模；E为单位向量。

采用K-Means聚类方法对特征向量集合进行聚类，将各聚类中心与运动模式进行匹配分类，以各类运动模式对应的标准向量集作为该类运动模式带有分类标签的模板向量集。

所述基于K-Means聚类方法具体为：

(1)根据运动模式种类M设定类别数k初值k＝M；

(2)于特征向量集合中选择初始化的k个样本作为初始聚类中心；

(3)计算特征向量集合中各样本到k个聚类中心的距离，并将该样本分类至距离最小的聚类中心对应分类中；