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技术

本发明专利技术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{μc，σc，πc}；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。本发明专利技术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。

【技术实现步骤摘要】
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
本专利技术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。
技术介绍
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。本专利技术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。
技术实现思路
本专利技术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。本专利技术为解决上述技术问题所采用的技术方案是：本专利技术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,…,dj,…,dn)，dj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，yij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，μc表示样本均值参数，且Nc为被标记为第c类的采样数据的个数，σc表示样本方差，且高斯概率密度函数fl(yij|d′ij＝c)满足约束条件其中，πc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，nij(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{μc，σc，πc}：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|yij,d′Z(ij))∝f(yij|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，μc为属于第c类数据集的均值向量，Σc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，判断当循环迭代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。与已有技术相比，本专利技术有益效果体现在：1、本专利技术整体方案通过对下肢运动时域信号的重新组合并有效结合高斯-马尔科夫随机场模型，有效提高了下肢运动模式的识别准确率；与现有时域信号处理方法不同，本方法中所提取的信号特征为空间域特征，经重新组合后的多维时域信号在二维空间域中表现出更为稳定的局部特征分布，增强了多种运动模式识别的预测可靠性。2、本专利技术针对人体运动周期存在时变性的特点，选用多尺度小波分解方法克服了因运动快慢变化所造成的信号周期尺度差异过大问题，提高了识别算法的稳定性。3、本专利技术所选取的高斯-马尔科夫随机场模型能够准确描述运动观测信号的局本文档来自技高网...

【技术保护点】
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,…,dj,…,dn)，dj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′＝(d1′,d2′,…,d′j,…,d′n)，dj′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：

【技术特征摘要】
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,…,dj,…,dn)，dj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′＝(d1′,d2′,…,d′j,…,d′n)，dj′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，yij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，μc表示样本均值参数，且Nc为被标记为第c类的采样数据的个数，σc表示样本方差，且高斯概率密度函数fl(yij|d′ij＝c)满足约束条件其中，πc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：

【专利技术属性】
技术研发人员：王玉成，孔令成，叶晓东，王众辉，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽,34