【技术实现步骤摘要】
本专利技术属于外骨骼机器人领域，特别涉及一种下肢步态识别技术。
技术介绍
1、外骨骼机器人作为一种典型的可穿戴机器人，与人体组合构成人机耦合系统，结合了机器人的高机械强度、高负载动力与人体的环境感知力和任务分析能力等优点，在医疗康复、工业生产和助老助残等领域具有广泛应用价值。下肢外骨骼机器人作为一种辅助行走装置，它将外骨骼的机械结构和人的双腿耦合在一起，通过人体控制、外部供能的方式使自身行动不便或无法行走的操作者可以自主行走，并且可以设计不同的步态、步速来适应不同情况的患者。
2、下肢外骨骼主要由以下几个部分组成：
3、(1)机械结构：下肢外骨骼根据其功能的要求，通常采用髋+膝+踝或者髋+膝的结构。如康复型外骨骼机器人由于多用于病患，需减少关节的活动，多采用后者结构。外骨骼机械结构所使用的材料应具有轻质量、大强度和抗疲劳等特点，如碳纤维、铝合金、钛合金和纳米材料等。
4、(2)动力系统：主要为外骨骼的助力提供动力来源，提供的方式可以是液压、气压和电机等。若采用电机驱动，其根据实时控制指令来带动设备完成相应的人机耦合任务。
5、(3)传感器系统：外骨骼的传感器系统主要用来对外骨骼样机的实时运行状态进行测量与感知，获取人机交互中各种信号，用以判断人体步态或者运动意图，并制定外骨骼控制策略与算法。常用的传感器有三维力传感器、绝对编码器和力矩传感器等。
6、(4)控制系统：通常利用matlab/simulink等软件实现所提出的控制算法及相关方法后，再下载到相应的硬件控制器中。
7、目前现有技术中，人体步态识别主要应用于步态预测控制算法中，下肢外骨骼机器人通过传感系统在人机交互中测得的传感数据为导向，通过深度学习方法对步态进行识别，辅助外骨骼控制算法，为控制算法提供一个恰当的参考范围。传统的控制策略与患者被动行走的控制方法不考虑穿戴者的运动意图的情况下，降低了用户的主动性。
技术实现思路
1、为解决上述技术问题，本专利技术提出一种基于多传感器融合与lstm-attention的精细化步态识别方法，用以有效降低控制延迟，跟随穿戴者的运动意图，提高外骨骼穿戴的舒适度。
2、本专利技术采用的技术方案为：基于多传感器融合与bi-lstm-attention的精细化步态识别方法，包括：
3、s1、通过佩戴于人体下肢的轻量化步态采集装置，采集人体下肢在静止站立、平地行走、上下坡、上下楼、原地踏步场景下的表面肌电信号、足底压力信号、imu信号；
4、s2、通过对步骤s1采集到的表面肌电信号、足底压力信号、imu信号进行预处理，获得平滑的数据；
5、s3、对经步骤s2处理后的表面肌电信号、足底压力信号、imu信号进行步态划分和数据标定，再通过步态传感信号的特征提取构建步态识别数据库；
6、s4、构建步态识别网络，所述步态识别网络包括输入bi-lstm子模块、输入全连接子模块、输出全连接子模块；
7、s5、将步骤s3的步态识别数据库中的数据划分为训练集与测试集；根据测试集及其对应标注来对步态识别网络进行训练；具体的将时序特征数据及其标注作为输入bi-lstm子模块的输入，将非时序特征数据及其标注作为输入全连接子模块的输入；输入bi-lstm子模块的输出与输入全连接子模块的输出一起作为输出全连接子模块的输入，输出全连接子模块输出最终分类结果；
8、s6、最终将测试集输入训练完成的步态识别网络进行步态识别。
9、所述步态划分具体包括以下运动阶段：
10、静止站立时双脚的支撑相、平地行走时左脚在前的支撑相、平地行走时左脚支撑右脚的摆动相、平地行走时右脚在前的支撑相、平地行走时右脚支撑左脚的摆动相、上楼时左脚在前的支撑相、上楼时左脚支撑右脚的摆动相、上楼时右脚在前的支撑相、上楼时右脚支撑左脚的摆动相、下楼时左脚在前的支撑相、下楼时左脚支撑右脚的摆动相、下楼时右脚在前的支撑相、下楼时右脚支撑左脚的摆动相、上坡时左脚在前的支撑相、上坡时左脚支撑右脚的摆动相、上坡时右脚在前的支撑相、上坡时右脚支撑左脚的摆动相、下坡时左脚在前的支撑相、下坡时左脚支撑右脚的摆动相、下坡时右脚在前的支撑相、下坡时右脚支撑左脚的摆动相、原地踏步时左脚在前的支撑相、原地踏步时左脚支撑右脚的摆动相、原地踏步时右脚在前的支撑相、原地踏步时右脚支撑左脚的摆动相、蹲下时双脚的支撑相、站立起身时双脚的支撑相。
11、根据运动阶段对经步骤s2处理后的表面肌电信号、足底压力信号、imu信号进行步态标注。
12、步骤s3所述的特征提取具体为通过目视解译选择特征，提取经步态标注后的表面肌电信号方差、波长、包络、威尔逊幅值、重心频率、频率方差和中值频率、时频域特征、近似熵、样本熵、模糊熵及排列熵；提取经步态标注后的足底压力信号方差、均值和波长；提取经步态标注后的imu信号角度值、角速度值、均值和方差。
13、将经特征提取后的信号同原始数据一起作为步态识别网络的输入；识别网络的输入包括：原始的表面肌电信号、提取的表面肌电信号的方差、波长、包络、威尔逊幅值、重心频率、频率方差和中值频率、时频域特征、近似熵、样本熵、模糊熵及排列熵；原始的足底压力信号、提取的足底压力信号的方差、均值和波长；原始的imu信号、提取的imu信号的角度值、角速度值、均值和方差。
14、步态识别网络的输入还包括数据的标注。
15、时序信号包括：表面肌电信号、足底压力信号、imu信号角度和imu信号角速度以及表面肌电信号cwt矩阵共五类，每一类对应一个bi-lstm子模块。
16、还包括，在每一个输入bi-lstm子模块后连接一个attention层。
17、本专利技术的有益效果：本专利技术的步态标注根据运动模式的不同以及人体下肢所处的运动阶段不同，将采样到的数据分为27类；本专利技术通过对穿戴者的步态进行识别，能够知道其处于步态周期的具体阶段，针对不同的步态阶段控制策略也有所不同；为后续根据用户主动的行动意图来实时地控制外骨骼电机驱动的力矩，为实现驱动外骨骼关节电机有效跟随穿戴者的运动意图并做出与之对应的响应提供依据。
本文档来自技高网...【技术保护点】
1.基于多传感器融合与BI-LSTM-attention的精细化步态识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多传感器融合与BI-LSTM-attention的精细化步态识别方法，其特征在于，所述步态划分具体包括以下运动阶段：
3.根据权利要求2所述的基于多传感器融合与BI-LSTM-attention的精细化步态识别方法，其特征在于，根据运动阶段对经步骤S2处理后的表面肌电信号、足底压力信号、IMU信号进行步态标注。
4.根据权利要求3所述的基于多传感器融合与BI-LSTM-attention的精细化步态识别方法，其特征在于，步骤S3所述的特征提取具体为通过目视解译选择特征，提取经步态标注后的表面肌电信号方差、波长、包络、威尔逊幅值、重心频率、频率方差和中值频率、时频域特征、近似熵、样本熵、模糊熵及排列熵；提取经步态标注后的足底压力信号方差、均值和波长；提取经步态标注后的IMU信号角度值、角速度值、均值和方差。
5.根据权利要求4所述的基于多传感器融合与BI-LSTM-attention的精细化步态识别方法，其特征
6.根据权利要求5所述的基于多传感器融合与BI-LSTM-attention的精细化步态识别方法，其特征在于，步态识别网络的输入还包括各数据对应的步态标注。
7.根据权利要求6所述的基于多传感器融合与BI-LSTM-attention的精细化步态识别方法，其特征在于，还包括，在每一个输入BI-LSTM子模块后连接一个attention层。
...【技术特征摘要】
1.基于多传感器融合与bi-lstm-attention的精细化步态识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多传感器融合与bi-lstm-attention的精细化步态识别方法，其特征在于，所述步态划分具体包括以下运动阶段：
3.根据权利要求2所述的基于多传感器融合与bi-lstm-attention的精细化步态识别方法，其特征在于，根据运动阶段对经步骤s2处理后的表面肌电信号、足底压力信号、imu信号进行步态标注。
4.根据权利要求3所述的基于多传感器融合与bi-lstm-attention的精细化步态识别方法，其特征在于，步骤s3所述的特征提取具体为通过目视解译选择特征，提取经步态标注后的表面肌电信号方差、波长、包络、威尔逊幅值、重心频率、频率方差和中值频率、时频域特征、近似熵、样本熵、模糊熵及排列熵；提取经步态标注后的足底压力信号方差、均值和波长；提取经步态标注后的imu信号角度值、角...
【专利技术属性】
技术研发人员：詹浩然，郭庆，石岩，曹渊超，王天，陈振雷，张继宇，张晓勤，寇建阁，漆军，
申请(专利权)人：电子科技大学，
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。