英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

基于惯性测量单元的康复机器人下肢步态活动识别

摘要

本文研究了一种利用分布在下肢的4个IMU组成的IMU传感网络的人体下肢步态活动识别算法。该算法以随机森林为分类依据，采用混合互信息和遗传算法（HMIGA）作为特征选择技术。HMIGA从离散小波系数（DWT）特征和其他统计和物理（自行设计）特征中选择最有区别的特征。将该算法与支持向量机（SVM）对5种活动进行分类比较，结果表明，该算法对6个主体的分类平均错误率为2%，优于支持向量机（SVM）1.9%。此外，将HMIGA作为特征选择器与传统的特征选择器进行了比较，并将DWT作为特征与统计特征和物理特征进行了比较，说明了它们对活动识别过程的影响。最后，给出了HMIGA选择的最重要特征，证明了小腿传感器在识别过程中的重要作用，其中近50%的特征来自小腿传感器。

一、 引言

近年来，可穿戴传感器在日常商业、医疗、康复以及科研等领域得到了广泛的应用，从紧凑性、可靠性和集成度等角度对传感器的发展进行了研究。然而，可穿戴传感器网络的使用，特别是在人类活动识别中，面临着与运动数据推理相关的挑战，运动数据推理的性能受到从传感器获取的特征类型、所选择的具有辨别能力的特征以及发展的分类技术的影响。

考虑到为识别而提取的特征类型，大多数早期文献研究时域统计特征。大多数识别系统开发人员都熟悉这些特征，因为它们的简单性和较少的计算要求，如[1]-[2]-[3]，尽管最近的其他文献将训练数据与频域特征耦合，从而提高了识别精度，如[4]-[5]-[6]。而且，以前的工作已经认识到了小波特征的重要性，只要从中提取特征的步态变量是非平稳的。然而，普里斯等人。表明频率特征的表现仍然比小波[8]更为准确，但这一结论仍然不是一般性的，因为实验仅应用于分布在特定段上的加速度计数据。

确定所提取数据的最具特征的特征对于减少分类误差至关重要，而且一些特征可能是冗余的，甚至是不相关的，并且这些特征可能会严重降低分类器的精度[9]。因此需要减少特征向量的使用，只保留突出的和互补的特征，因此引入了几种技术来识别这些特征。变换特征技术通过将提取的特征投影到另一个平面上，来创建更容易辨别的新特征，例如[3]-[10]-[11]。另一方面，特征选择技术直接选择最相关的特征。特征选择可以一个接一个地进行（单特征选择算法），主要依靠相关准则或信息论准则，根据特征对目标（活动）的依赖程度对特征进行排序。只要一个本身完全无用的变量在与其他变量一起使用时能够提供显著的性能改进[9]，就引入子集特征选择算法，并将其分为包装器和过滤器选择器两类。基于包装器的方法使用给定学习的预测性能来评估特征子集的相对有用性。包装器选择器使用不同的搜索策略作为最佳优先，分支和界限，遗传算法[12]。这些选择器经常受到批评，因为它们需要大量的计算，不像过滤器选择方法，后者比包装器要快得多。它们提供了未调整到学习机器类型的特征的一般选择，这就是为什么它们可以用作预处理步骤来降低空间维度。信息论滤波方法对滤波器选择方法有很大的贡献。根据文献调查，当根据[13]用于人类活动识别时，使用互信息方法过滤特征被证明是成功的。

因此，代表系统模型的分类器技术的设计对系统的性能有着重要的影响。为了建立更准确、更可靠的步态运动模型，采用了简单或复合的分类器模型。在[4]-[6]-[14]中，简单分类器分别用于活动分类、隐马尔可夫模型（HMM）、最近邻（KNN）和支持向量机（SVM）。而对于[1]-[10]则引入了复合分类器。在[1]分类器组合中，在决策树结构中使用几个朴素的Bayes分类器，每个节点负责将输入分类为两个主要类，直到它们到达所有类都完全分类的叶。其他研究[10]提出了一种利用朴素贝叶斯（NB）和Kalman滤波器的分类器，利用先前的输出提高朴素贝叶斯的先验概率。此外，[11]使用高斯混合（GMM）来生成复杂的分类器模型。

H： 髋，K：膝，A：踝，S：小腿，F：脚，DT：决策树

表一、下肢活动分类系统

图1、IMUS传感器位置图

表1显示，已开发的下肢分类系统的惯性传感器（加速度计和陀螺仪）在身体各部分上分布任意。因此， Ling Bao[20]在协议中使用了左一加速度计，试图确定惯性传感器的最有效位置。由于协议依赖于捕获系统（惯性传感器分布）和所使用的分类器，这种方法给出了非通用的结果。

在这项工作中，作者旨在介绍一种新的特征选择方法（HMIGA），它是从包装器和过滤器的特征选择方法中引入的，旨在根据所使用的分类技术改进特征选择过程。此外，在特征字典中增加小波特征，因为它比傅里叶变换更全面地给出了频域信号的细节，特别是对于非平稳信号[21]。此外，为了验证随机森林分类器在步态识别中的应用，因为它已经在多类系统（两类以上）中显示出了巨大的能力，例如与我们的工作类似的KINECT的体段识别[22]。最后，为了减少尺寸，根据这项工作，证明了柄作为一个部分在高等级特征中的高贡献。作者的目的是依靠小腿的特点，只为较低的计算和功率负荷分类，这样的贡献将产生更有效的嵌入式控制器的假肢应用。

二、实验装置

A、信号采集系统

为了记录下肢的身体运动，4个惯性测量单元（IMU）分布在下肢的各个部分，除腰部外，还覆盖大腿、小腿和脚，如图1所示。根据[23]，在IMU单元上进行本体校准活动，以消除对输出数据的偏差影响。每个惯性测量单元由三维加速度计和三维陀螺仪组成，它们的输出被融合在一起以评估惯性测量单元的倾斜度，以及沿三个轴测得的线性加速度和角速度。传感器由一个身体传感器网络（BSN）平台连接，该平台以50hz的速率收集数据，本研究选择了该平台，因为这足以高于评估步态活动所需的20hz采样，因此采样数据被无线发送到个人计算机。

图2、下肢肢体和关节角（矢状面）。

B、参与者和程序

在一定的测量方案下，6名不同的健康志愿者进行了5种不同的步态活动（正常行走、楼梯上升、楼梯下降、斜坡上升和斜坡下降）。他们都被告知他们将要接受的方案，并同意参加这项研究。平均体重78.5plusmn;9.9kg，平均年龄28.6plusmn;2.8岁。将IMU感官网络放置在志愿者身体上后，测量方案的第一步是校准。通过让志愿者摆几个姿势来消除固定不对中的影响，并建立IMU方位检测的坐标参考系，对IMU进行体内校准。校准后，要求每个志愿者在按下与活动相对应的开始/停止按钮并在表演结束时按下同一按钮后，执行每项活动两分钟。志愿者被要求在进行每项活动时改变他们的速度，这样我们就可以在不同的速度下研究所提出的活动识别方法。同时，IMU测量的运动学信号由连接到PC的中央接收器接收。

最后，志愿者可以自由地在任何他们想停的地方停下来，而不必标记一个可能导致异常停下来的预定点，以便瞄准所需的点。

C、 数据处理

对于每个IMU，加速度计和陀螺仪输出之间的融合通过kalman滤波器用于获得IMU在矢状面上的倾斜度，该倾斜度表示IMU固定的节段（躯干、大腿、小腿、脚）的倾斜度。此外，关节角度（髋关节，膝关节和踝关节）在矢状面计算从该节段的倾斜。图2显示了关节和节段的角度。矢状角足够，因为本研究中的所有活动都是直线进行的。此外，绝对段的角速度和线加速度是直接从IMU传感器测量的。这导致从4个IMU（12个角速度 12个线性加速度 4个节段倾角（theta;躯干、theta;大腿、theta;小腿、theta;脚） 3个关节角（theta;髋关节、theta;膝关节、theta;踝关节）测量到31个信号。

三、 方法

在这一部分中，详细介绍了识别算法。一般的目的是在从每个周期提取的大量特征中，根据特定的选定特征对分割的步态周期所执行的活动进行分类。

A、 信号分割

图3显示了基于所进行的实验的五种不同步态活动的节奏运动。为了正确识别人的步态活动，需要捕捉一个代表步态单周期的片段。根据观察，根据实验观察，任何步态活动周期包括小腿角速度（omega;z）的局部下降，该速度低于-100度/秒的阈值。当omega;z值低于阈值时，检测到200 ms的周期，直到角速度值超过相同阈值的点。检测周期的最小值被认为是分段开始事件（步态周期）。如果检测到的周期小于200毫秒，则拒绝该事件。此外，如果该段持续时间超过1500毫秒。如果未检测到另一个段开始事件，则整个段将被拒绝。这种分割算法成功地分割了本文中的所有活动，如图3所示。

（a）

（b）

（c）

（d）

（e）

图3、步态周期分割（a）正常行走，（b）上楼梯，（c）下楼梯，（d）上坡，（e）下坡

B、 特征提取

提取的特征被转换为特征向量，其中该向量包含1178个特征，除了4个物理特征外，还从感觉网络获取或导出的31个信号中提取。提取的特征分为时间特征、时间频率特征和物理特征三类，将在下面的段落中进行说明。

时间特征（如统计特征）被认为是从时间序列中提取特征的基本方法。它们是从加速度计和陀螺仪的所有轴上提取出来的，除了线段和关节的角度之外，还包括在传感网络中使用的所有IMU中。表1表示本研究中考虑的时间特征。这些特征中的一些已经被证明对活动识别（1）-（2）-（6）是有用的。例如，平均导数、标准差和均方根在区分正常步行和爬楼梯活动方面显示出较高的能力（2）。

表二、使用的时间特征

再次从每个捕获的信号（加速度和角速度）中提取时频特征，并从感觉网络中计算（节段和关节的角度）。由于我们处理的是频率响应随时间变化的非平稳信号，因此离散小波变换（DWT）主要用于在频域内描述信号。离散小波变换可以确定信号的频率成分以及这些成分出现的区域，这使得离散小波变换优于在频域描述信号的傅立叶变换（FT）。因此，使用DWT系数（28个系数）来描述频域。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[237025]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 一种改进的CANNY边缘检测算法外文翻译资料
• 基于强盜的蒙特卡罗规划外文翻译资料
• 第七章 时空索引外文翻译资料
• C#编程语言 第四版外文翻译资料
• 在非洲蓬勃发展的市场中与营销渠道和物流的竞争:一个在加纳的新外文翻译资料
• 使真正的用户浏览网站建设演变外文翻译资料
• 对于网店网站业务流程的内容管理系统的组件设计外文翻译资料
• 用于从生理信号识别情绪的机器学习模型外文翻译资料
• 基于卷积神经网络的手写数字识别的高效改进方案外文翻译资料
• 在线及离线手写汉字识别： 一个全面研究和新基准外文翻译资料