面向外骨骼的基于TCN-HMM的步态相位分类方法技术

本发明专利技术公开了面向外骨骼的基于TCN‑HMM的步态相位分类方法。本发明专利技术的具体步骤如下：1.IMU数据采集。2.对步骤1中采集的步态数据进行预处理。3.构建训练集和测试集。4.构建混合TCN‑HMM模型。5.利用训练集对混合TCN‑HMM模型进行训练。6.利用训练好的混合TCN‑HMM模型对新的行走IMU数据进行分类。本发明专利技术创新性地利用TCN网络来获取状态的后验概率，并利用后验概率获取HMM模型所需的发射概率，构成了混合TCN‑HMM模型，该模型将运动数据的时间特征与空间特征有机地结合在了一起并对步态相位信息进行了判别。本发明专利技术不仅得到了准确率很高的步态相位分类结果，同时抑制了错误的分类。

【技术实现步骤摘要】
面向外骨骼的基于TCN-HMM的步态相位分类方法
本专利技术属于下肢外骨骼人机协同运动控制领域，涉及一种基于混合TCN(TemporalConvolutionalNetworks)以及HMM(HiddenMarkovModel)模型的人类行走步态相位分类方法。
技术介绍
近年来，外骨骼机器人已经成为医疗、生活、工业和军事应用中的新兴技术。其中，下肢外骨骼体现出了巨大的价值，它将人的智力和机器人的“体力”完美结合，在助力、助老、助残及军事领域有广阔应用前景。步态相位分类是分析步行运动的通用方法，不同步态相位的准确分类对于控制下肢外骨骼和检测用户意图至关重要。目前步态相位的识别方法通常可以分为两类，一是阈值方法，它通过设置不同的阈值来确定相应的步态相位信息。这种方法较为常见，但是这种方法比较粗糙，鲁棒性较低，很难处理复杂的情况。二是近年来不断发展的人工智能方法，研究人员们将不同类型的传感器数据处理后输入到机器学习或深度学习模型中，从而达到检测步态相位的目的。常用的算法包括支持向量机(SVM)、长短期记忆网络(LSTM)、隐马尔可夫模型(HMM)等，这些方法虽然也取得了较好的结果，但是它们并没有将数据的空间特征与时间特征有机地结合起来，因此仍有改进的空间。并且传统的基于计算机视觉，或者通过对肌电信号、足底压力信号进行处理分析的检测步态相位的方法在实际应用中都存在着鲁棒性不足，易受环境干扰且设备易磨损等问题。
技术实现思路
本专利技术的目的是针对现存方案存在的不足和改善需要，提出了一种基于TCN-HMM的步态相位实时分类方法。同时，为了解决当前许多人体运动信号采集装置所存在的易磨损、易受干扰等问题，本专利技术采用了更加便携、耐用且可靠的IMU传感器，它可以根据需要安装在身体的不同部位，从而获取丰富的人体运动信息。本专利技术通过混合TCN-HMM算法对高维IMU信号的空间特征和时间特征进行了提取和分析，实现了对人行走时步态相位的实时分类并将其应用到下肢外骨骼设备的控制中，帮助实现对下肢外骨骼设备行走运动的柔顺控制。本专利技术的具体步骤如下：步骤1.IMU数据采集在一个或多个被试者的腰部、小腿部、大腿部设置IMU传感器。在被试者行走中采集步态数据。步骤2.对步骤1中采集的步态数据进行预处理。步骤3.构建训练集和测试集3.1数据划分将采集到的步态数据内的步态周期按照足跟接触、足平、脚趾脱离这三个步态事件划分为三个步态相位，并对各个相位打上标签，获得训练集。3.2对步态数据进行数据分段。步骤4.构建混合TCN-HMM模型在TCN模型的输出层使用softmax激活函数，从而获得各个状态的后验概率，通过贝叶斯规则将后验概率转换为用于输入HMM模型的发射概率，使得HMM模型能够推断出最佳隐藏状态序列，即所分类的步态相位。步骤5.利用训练集对混合TCN-HMM模型进行训练。步骤6.利用训练好的混合TCN-HMM模型对新的行走IMU数据进行分类。作为优选，步骤1中，被试者在行走时穿着带有足底压力传感器的压力鞋；步骤3.1中根据压力鞋中的压力传感器检测到的压力情况进行相位划分。作为优选，步骤2中的预处理采用了5Hz三阶的巴特沃斯低通滤波。作为优选，步骤3-2中，采用滑动窗口的方式进行数据分段，且滑动窗口采用固定窗口大小且有数据重叠。滑动的步长为1帧。作为优选，步骤4的具体过程如下：4.1TCN序列建模将步骤3.2分段后的数据转化为一维向量输入到TCN网络中进行训练，训练所获得的TCN模型用于输出每一个相位类别的后验概率估计值。TCN网络包括一维全卷积网络结构、因果卷积、扩张卷积以及残差连接。1)一维全卷积网络结构：在一维全卷积网络结构中，每个隐藏层与输入层长度相同，并对后续层进行零填充以保持其长度与前一层相同。2)因果卷积：卷积层在t时刻的输出仅与来自t时刻以及上一层中更早的元素卷积。3)扩张卷积：对于输入的一维序列x，扩张卷积运算F(s)定义为:其中，d为扩张因子；k为卷积核的大小；f(i)表示卷积核的第i个权重；xs-d·i表示输入的一维序列x中编号为s-d·i的元素；s为要进行扩张卷积运算的位置。4)残差连接：使用残差模块来代替卷积层，残差模块主要包含两层扩张的因果卷积以及整流线性单元(ReLU)。同时，为了保证输入和残差模块的输出具有相同的宽度，额外使用了1×1卷积。4.2HMM步态相位预测将TCN网络输出层的每个单元与模型的特定状态相关联，训练它来估计每个状态的后验概率，即通过在输出层使用softmax激活函数获取状态y∈{1,…,Q}的分布：其中，sy表示TCN网络输出层在使用softmax函数前的第y个输出值；Q表示状态数，即步态相位类型数。TCN模型的输出值是基于输入的状态概率分布的估计值：其中，表示代表状态yt的输出。然后，再通过贝叶斯规则将输出的后验概率估计转换为HMM所需要的发射概率：其中，p(yt)为先验概率，对于先验概率p(yt)本专利技术根据训练数据中每个步态相位出现的相对频率来进行估计；为比例系数。最后，通过Viterbi算法推断出最佳隐藏状态序列。本专利技术的有益效果是：1、本专利技术创新性地利用TCN网络来获取状态的后验概率，并利用后验概率获取HMM模型所需的发射概率，构成了混合TCN-HMM模型，该模型将运动数据的时间特征与空间特征有机地结合在了一起并对步态相位信息进行了判别。不仅得到了准确率很高的步态相位分类结果，同时基于判别的学习抑制了错误的分类，对于下肢外骨骼设备的稳定控制具有重要意义。2、本专利技术使用惯性传感器(IMU)来采集人体运动信息。IMU以非侵入的方式安装在人体相关部位，不会对使用者造成太多不便。同时，相比传统的足底压力或肌肉电信号的信息收集方式IMU具有便携、耐用、稳定性高的特点，从而为步态相位分类任务提供了稳定有效的运动数据。附图说明图1是本专利技术步态相位在线判别流程图；图2为本专利技术采用混合TCN-HMM模型的结构示意图。具体实施方式为使本专利技术的目的、技术方案和要点更加清楚，下面将结合附图对本专利技术实施方式做进一步地详细描述。如图1所示，一种面向外骨骼的基于TCN-HMM的步态相位分类方法，包括以下步骤：步骤1.IMU数据采集将5个IMU传感器分别固定在被试者的腰部、左大腿、左小腿、右大腿、右小腿；大腿部的IMU传感器固定在大腿侧面膝关节上方约6cm处，小腿部的IMU传感器则固定在小腿侧面踝关节上方约10cm处。为了方便为不同步态相位的IMU信号打上标签，被试者也会被要求穿上带有足底压力传感器的压力鞋。压力鞋能够检测脚掌压力和脚跟压力；被试者以2km/h的速度进行直线步行运动。通过上位机设备实时地获取5个IMU传感器的三轴加速度、三轴角速度以及脚本文档来自技高网...

【技术保护点】
1.面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：/n步骤1.IMU数据采集/n在一个或多个被试者的腰部、小腿部、大腿部设置IMU传感器；在被试者行走中采集步态数据；/n步骤2.对步骤1中采集的步态数据进行预处理；/n步骤3.构建训练集和测试集/n3.1数据划分/n并将采集到的步态数据内的步态周期按照足跟接触、足平、脚趾脱离这三个步态事件划分为三个步态相位，并对各个相位打上标签，获得训练集；/n3.2对步态数据进行数据分段；/n步骤4.构建混合TCN-HMM模型/n在TCN模型的输出层使用softmax激活函数，从而获得各个状态的后验概率，通过贝叶斯规则将后验概率转换为用于输入HMM模型的发射概率，使得HMM模型能够推断出最佳隐藏状态序列，即所分类的步态相位；/n步骤5.利用训练集对混合TCN-HMM模型进行训练；/n步骤6.利用训练好的混合TCN-HMM模型对新的行走IMU数据进行分类。/n

【技术特征摘要】
1.面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：
步骤1.IMU数据采集
在一个或多个被试者的腰部、小腿部、大腿部设置IMU传感器；在被试者行走中采集步态数据；
步骤2.对步骤1中采集的步态数据进行预处理；
步骤3.构建训练集和测试集
3.1数据划分
并将采集到的步态数据内的步态周期按照足跟接触、足平、脚趾脱离这三个步态事件划分为三个步态相位，并对各个相位打上标签，获得训练集；
3.2对步态数据进行数据分段；
步骤4.构建混合TCN-HMM模型
在TCN模型的输出层使用softmax激活函数，从而获得各个状态的后验概率，通过贝叶斯规则将后验概率转换为用于输入HMM模型的发射概率，使得HMM模型能够推断出最佳隐藏状态序列，即所分类的步态相位；
步骤5.利用训练集对混合TCN-HMM模型进行训练；
步骤6.利用训练好的混合TCN-HMM模型对新的行走IMU数据进行分类。


2.根据权利要求1所述的面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：步骤1中，被试者在行走时穿着带有足底压力传感器的压力鞋；步骤3.1中根据压力鞋中的压力传感器检测到的压力情况进行相位划分。


3.根据权利要求1所述的面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：步骤2中的预处理采用了5Hz三阶的巴特沃斯低通滤波。


4.根据权利要求1所述的面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：步骤3-2中，采用滑动窗口的方式进行数据分段，且滑动窗口采用固定窗口大小且有数据重叠；滑动的步长为1帧。


5.根据权利要求1所述的面向外骨骼的基于TCN-HMM的步态相位分类方法，其特征在于：步骤4的具体过程如下：
4.1TCN序...

【专利技术属性】
技术研发人员：孔万增，王雪岩，王伟富，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33