【技术实现步骤摘要】
一种基于卷积神经网络的外骨骼机器人步态识别系统及方法
(一)
：
[0001]本专利技术属于机器人相关
，是一种基于卷积神经网络的外骨骼机器人步态识别方法。
(二)
技术介绍
：
[0002]下肢可穿戴外骨骼机器人作为一种与穿戴者相融合的机电一体化设备，可以帮助老年人克服行动障碍，助力老年人行走，其在医疗康复训练、日常出行等领域发挥着巨大的作用。而其在助力过程中对穿戴者进行准确及时的步态识别与步态周期预测对于实现安全、可靠、高效的助力是至关重要的。
[0003]随着机器学习领域的发展，机器学习(ML，Machine Learning)算法为智能、可靠和自适应的识别系统提供了一种鲁棒的替代方案，比如采用多传感器自适应决策树识别上下坡等步态情况；采用线性判别分析(LDA，Linear Discriminant Analysis)、人工神经网络(ANN， Artificial Neural Networks)和12个肌电传感器对运动模式进行识别等方法均可提升步态识别的准确度，但是这些方法均需要使用大量的传感器，十分影响能量消耗、计算成本和算法实现的复杂性。
[0004]而卷积神经网络(CNN，Convolutional Neural Networks)作为深度学习的代表算法之一，基于卷积神经网络的深度学习(DL，Deep Learning)技术在人类活动的识别和分类方面得到了广泛的应用。利用视觉和IMU(Inertial measurement unit，惯性测量单元)传感器的3D 数据序列训练的卷积神经网络
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络的外骨骼机器人步态识别系统，其特征在于它是基于卷积神经网络的系统，该卷积神经网络包括特征学习层和分类层；其中，所述特征学习层用于对传感器采集的人体的步态数据信息进行特征提取，并将结果输出给分类层；所述分类层主要将特征学习层提取的特征全部重置为一维向量，进行整合拼接，并且对其进行分类，从而判断人类是否在进行平地行走、上坡或下坡活动。2.根据权利要求1所述一种基于卷积神经网络的外骨骼机器人步态识别系统，其特征在于所述特征学习层由CNN特征学习层I和CNN特征学习层II构成；其中，所述CNN特征学习层I用于完成对传感器收集的数据进行一次卷积和一次池化，对传感器采集的数据中局部特征进行提取，得到特征图I；所述CNN特征学习层II用于对经过第一次卷积和池化后的结果再进行一次卷积和一次池化，完成CNN特征学习层I的输出数据的关键特征提取，得到特征图II。3.根据权利要求2所述一种基于卷积神经网络的外骨骼机器人步态识别系统，其特征在于所述CNN特征学习层I是由包括32个5
×
5的卷积核的卷积层I和包括32个3
×
3的最大池化结构的最大池化层I构成；所述CNN特征学习层II是由包括16个3
×
3卷积核的卷积层II和包括16个2
×
2的最大池化结构的最大池化层II构成。4.根据权利要求1所述一种基于卷积神经网络的外骨骼机器人步态识别系统，其特征在于所述分类层由全连接层和softmax函数分类器构成，如图2所示；所述全连接层的输入端接收特征学习层输出的特征图，将其转化为一列数据，输出给softmax函数分类器，将特征学习层提取的特征进行分类，从而识别佩戴者当前的步行活动和执行的步态周期。5.一种基于卷积神经网络的外骨骼机器人步态识别方法，其特征在于它包括以下步骤：(1)获取外骨骼佩戴者下肢的可穿戴传感器数据，并将其数据进行分割后作为卷积神经网络的输入信号，以便于后续进行行走活动和步态周期识别；(2)卷积神经网络利用步骤(1)获取的数据来提取特征，最终实现佩戴者所处的步态及其步态周期的识别。6.根据权利要求1所述一种基于卷积神经网络的外骨骼机器人步态识别方法，其特征在于所述步骤(1)中获取穿戴者传感器数据的方法具体如下：(1
‑
1)通过IMU传感器收集穿戴者大腿、小腿和脚上的传感器数据，以得到穿戴者行走时X、Y、Z三轴的角速度、加速度计和磁强计信号数据；(1
‑
2)将步骤(1
‑
1)收集到的传感器数据分成支撑相和摆动相两个阶段；(1
‑
3)将支撑相划分为5个相同长度的步态阶段，将摆动相划分为3个相同长度的步态阶段，并将分割好的数据集作为卷积神经网络的输入信号用于步态识别。7.根据权利要求6所述一种基于卷积神经网络的外骨骼机器人步态识别方法，其特征在于所述步骤(1
‑
2)中的支撑相是指一个步态周期中的前60％的传感器数据；所述摆动相是指一个步态周期中的后40％的传...
【专利技术属性】
技术研发人员：孙磊，靖佳辉，郭士杰，鲁润东，李成辉，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。