一种基于IMU的下肢步态模式识别方法

一种基于imu的下肢步态模式识别方法
技术领域
1.本发明涉及模式识别领域，特别涉及一种基于imu的下肢步态模式识别方法。


背景技术：

2.在下肢外骨骼领域，下肢的步态模式识别是重要的任务，日常生活中的人体下肢运动包括站立、行走、拐弯、上楼梯、下楼梯、上坡、下坡等，识别下肢的不同步态运动模式，是下肢外骨骼对下肢进行运动辅助的必要流程。其中，下肢的行走、拐弯、上楼梯、下楼梯、上坡、下坡等步态模式是周期循环进行的，使用传感器采集的数据将同样呈周期性变化。
3.惯性测量单元(inertial measurement unit，imu)是一种能够检测角度、加速度、角速度变化的传感器，其单元体积小、使用方便、广泛应用于外骨骼领域。
4.线性判别分析(linear discriminant analysis，lda)是一种广泛使用的模式识别算法，通过降维矩阵将特征向量降维至低维特征空间，能够将同标签特征向量聚合，不同标签特征向量离散，从而在低维空间通过计算特征向量与不同类别标签点距离的方式实现分类。


技术实现要素：

5.为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于imu的下肢步态模式识别方法。本方法通过布置于人体腰部的imu的信号数据，能够有效地识别下肢的七类步态模式：站立、行走、拐弯、上楼梯、下楼梯、上坡、下坡。
6.本发明的目的通过以下技术方案实现：
7.一种基于imu的下肢步态模式识别方法，包括：
8.通过布置在人体腰部的imu传感器，获取人体下肢运动过程中的信号数据，所述信号数据包括九轴数据，所述九轴数据包括x、y、z轴的欧拉角、角速度及加速度；
9.计算x轴角速度数据的均方根，判断当前是否为站立状态；如果是则直接输出，否则进入下一步骤；
10.识别步态事件帧，若识别数据为y轴欧拉角中的波谷，对应下肢左脚触地事件，则定义为步态事件帧；
11.若识别为步态事件帧,则在步态事件帧处截取窗口数据，并使用窗口数据计算绝对均值、方差、均方根、波长四种特征值，并进行归一化，得到特征向量；使用预先训练好的降维矩阵将特征向量降维至低维特征空间，计算特征向量与各个步态模式类别标签点的欧氏距离，选择距离最小的类别作为该次判别的步态模式输出，实现对行走、上楼梯、下楼梯、上坡及下坡的识别；
12.若步态事件帧判断为否，则进行拐弯识别，通过计算z轴欧拉角在固定长度窗口内的梯度值，进行拐弯识别。
13.进一步，所述计算x轴角速度数据的均方根，判断当前是否为站立状态，具体为：
14.在当前执行帧处截取固定长度为n的数据，即当前imu数据为第i帧，则截取[i-n,
i]范围的数据计算均方根，并与设定的阈值进行比较判断，若求得均方根值小于阈值，则判定当前为站立状态。
[0015]
进一步，所述识别步态事件帧，具体过程为：
[0016]
获取y轴欧拉角数据，采用平滑滤波对信号数据进行滤波处理；
[0017]
计算当前帧的时间戳ti与上一次已被识别为步态事件帧的时间戳t
lastsign
的差值，差值是否大于阈值δt，若大于阈值δt，则计算固定长度的左右窗口内大于当前帧y轴欧拉角值的比例p
l
和pr，若p
l
和pr大于阈值p，则输出数据帧j为步态事件帧，并更新阈值δt：
[0018][0019]
其中，n为已识别步态事件帧数量，δt是更新前的阈值，是第n帧步态事件帧的时间戳。
[0020]
进一步，计算固定长度的左右窗口内大于当前帧y轴欧拉角值的比例，即：
[0021][0022][0023]
其中，xj是判定帧j的y轴欧拉角值，j＝i-lr，l
l
和lr是左右窗口长度,左右窗口数据范围则分别为[i-l
l-lr,i-lr]和[i-lr,i]，n(x＞xj)是窗口内值大于xj的数据帧数。
[0024]
进一步，若步态事件帧判断为否，则进行拐弯识别，通过计算z轴欧拉角在固定长度窗口内的梯度值，进行拐弯识别，具体为：
[0025]
计算z轴欧拉角数据，在长度为n的窗口内的梯度值gi，即：
[0026][0027]
其中，eulerzi是第i帧z轴欧拉角值，n为窗口长度，若梯度值大于阈值，则判定当前处于拐弯步态周期内，输出结果。
[0028]
进一步，所述预先训练好的降维矩阵，具体是通过预先采集下肢步态模式类别的imu样本数据，计算特征向量，并使用lda算法进行降维训练得到训练好的降维矩阵。
[0029]
进一步，各个模式的样本数据降维后，计算特征向量的平均值，得到相应模式类别的标签点。
[0030]
进一步，imu布置在人体腰部位置，imu的z轴竖直朝上，即人体解剖学上的垂直轴方向；y轴朝向人体运动前方，即人体解剖学上的矢状轴方向。
[0031]
进一步，接收每一单帧数据时，将触发并执行方法流程一次，单帧数据为imu九轴数据构成的长度为9的向量。
[0032]
与现有技术相比，本发明具有以下优点和有益效果：相比现有技术中使用多个传感器，本方法仅通过在腰部布置一个imu实现下肢步态模式识别。
[0033]
相较于现有技术识别的步态模式类型，本方法输出的七种下肢步态模式更完整，概括人在日常行走中常见的步态模式。
[0034]
相较于现有技术，本方法计算量小，实现简单。
附图说明
[0035]
图1是本发明的imu设置示意图；
[0036]
图2是本发明的工作流程图；
[0037]
图3是本发明识别步态事件帧的流程示意图；
[0038]
图4是本发明识别拐弯步态的流程示意图。
具体实施方式
[0039]
下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
[0040]
一种基于imu的下肢步态模式识别方法，如图2所示，包括如下步骤：
[0041]
s1通过布置在人体腰部的imu传感器，获取人体下肢运动过程中的信号数据，所述信号数据包括九轴数据，所述九轴数据包括x、y、z轴的欧拉角、角速度及加速度，回传频率为100hz。实验对象在实验过程中做出站立、行走、拐弯、上楼梯、下楼梯、上坡、下坡等动作。
[0042]
本实施例中imu传感器为一个，如图1所示，设置在人体腰部位置，imu的z轴竖直朝上，即人体解剖学上的垂直轴方向；y轴朝向人体运动前方，即人体解剖学上的矢状轴方向。
[0043]
本方法在接收到imu回传一帧数据时执行一次，即执行频率与imu回传频率相同。
[0044]
s2首先计算x轴角速度数据的均方根，通过在当前执行帧处截取固定长度为n的数据，即当前imu数据为第i帧，则截取[i-n,i]范围的数据计算均方根，并与设定的阈值进行比较判断，若求得均方根值小于阈值，则当前为站立状态。
[0045]
否则进入下一步骤。
[0046]
本实施例中，均方根的判断阈值为1。
[0047]
s3识别步态事件帧，根据实验分析，y轴欧拉角数据的波谷对应人体下肢运动过程中左脚跟触地的步态事件，通过图3的流程，使用y轴欧拉角数据对该帧进行识别。首先通过平滑滤波对信号数据进行滤波处理。然后计算当前帧的时间戳ti与上一已被识别为步态事件帧的时间戳t
lastsign
的差值，是否大于阈值δt，是则执行下一步流程，以减少错误识别。
[0048]
下一步计算固定长度的左右窗口内大于当前帧y轴欧拉角值的比例，即：
[0049][0050][0051]
其中，xj是判定帧j的y轴欧拉角值，j＝i-lr，l
l
和lr是左右窗口长度,左右窗口数据范围则分别为[i-l
l-lr,i-lr]和[i-lr,i]，n(x＞xj)是窗口内值大于xj的数据帧数。
[0052]
若p
l
和pr大于阈值p，则输出数据帧j为步态事件帧，并更新阈值δt：
[0053][0054]
其中，n为已识别步态事件帧数量，δt是更新前的阈值，是第n帧步态事件帧的时间戳。需要注意，步态帧的输出并非当前数据帧i，即有长度为lr的延迟。
[0055]
本实施例中，在imu的传输频率为100hz下，阈值δt为700ms，左窗口长度为500ms，
右窗口长度为500ms，阈值p等于0.7。
[0056]
s4根据图2，若当前帧不是步态事件帧，即当前数据为步态周期内的数据帧，则执行拐弯判别。拐弯判别通过图4所示流程图进行，计算z轴欧拉角数据，在长度为n的窗口内的梯度值gi，即：
[0057][0058]
其中，n为窗口长度，eulerzi是第i帧z轴欧拉角值。若梯度值大于阈值，则判定当前处于拐弯步态周期内，输出结果。
[0059]
本实施例中，梯度阈值为100。
[0060]
s5，当识别到步态事件帧时，在步态事件帧j处截取固定长度为m的窗口数据，即截取[j,j+m]区间数据，其中m小于lr。对截取的数据进行特征值计算，计算九轴信号数据的绝对均值、方差、均方根和波长四种特征，并进行特征归一化，得到特征向量。
[0061]
本实施例中，截取窗口m的长度为300ms，imu回传频率为100hz。
[0062]
通过预先采集的行走、上楼梯、下楼梯、上坡、下坡的imu样本数据，计算特征值并使用lda算法进行降维训练得到降维矩阵。各个模式的样本数据降维后，计算特征向量的平均值，得到该模式类别的标签点。
[0063]
本发明使用lda算法进行识别的原理是：通过降维矩阵对计算的特征向量进行降维，在降维后的特征空间中，计算特征向量与各类别的标签点的欧氏距离，取欧氏距离最小的类别作为该特征向量的分类，作为该次判别的步态模式输出，实现对行走、上楼梯、下楼梯、上坡及下坡的识别。
[0064]
在实际应用中，还对36维特征向量进行优选，通过选取特征进行组合，并使用样本数据进行训练降维矩阵和识别，通过对比识别率的方式，选取最优的特征组合。
[0065]
通过以上步骤，基于imu的下肢步态模式识别方法实现对站立、行走、拐弯、上楼梯、下楼梯、上坡、下坡七种步态模式的识别。
[0066]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种基于imu的下肢步态模式识别方法，其特征在于，包括：通过布置在人体腰部的imu传感器，获取人体下肢运动过程中的信号数据，所述信号数据包括九轴数据，所述九轴数据包括x、y、z轴的欧拉角、角速度及加速度；计算x轴角速度数据的均方根，判断当前是否为站立状态；如果是则直接输出，否则进入下一步骤；识别步态事件帧，若识别数据为y轴欧拉角中的波谷，对应下肢左脚触地事件，则定义为步态事件帧；若识别为步态事件帧,则在步态事件帧处截取窗口数据，并使用窗口数据计算绝对均值、方差、均方根、波长四种特征值，并进行归一化，得到特征向量；使用预先训练好的降维矩阵将特征向量降维至低维特征空间，计算特征向量与各个步态模式类别标签点的欧氏距离，选择距离最小的类别作为该次判别的步态模式输出，实现对行走、上楼梯、下楼梯、上坡及下坡的识别；若步态事件帧判断为否，则进行拐弯识别，通过计算z轴欧拉角在固定长度窗口内的梯度值，进行拐弯识别。2.根据权利要求1所述的下肢步态模式识别方法，其特征在于，所述计算x轴角速度数据的均方根，判断当前是否为站立状态，具体为：在当前执行帧处截取固定长度为n的数据，即当前imu数据为第i帧，则截取[i-n,i]范围的数据计算均方根，并与设定的阈值进行比较判断，若求得均方根值小于阈值，则判定当前为站立状态。3.根据权利要求1所述的下肢步态模式识别方法，其特征在于，所述识别步态事件帧，具体过程为：获取y轴欧拉角数据，采用平滑滤波对信号数据进行滤波处理；计算当前帧的时间戳t
i
与上一次已被识别为步态事件帧的时间戳t
lastsign
的差值，差值是否大于阈值δt，若大于阈值δt，则计算固定长度的左右窗口内大于当前帧y轴欧拉角值的比例p
l
和p
r
，若p
l
和p
r
大于阈值p，则输出数据帧j为步态事件帧，并更新阈值δt：其中，n为已识别步态事件帧数量，δt是更新前的阈值，是第n帧步态事件帧的时间戳。4.根据权利要求1所述的下肢步态模式识别方法，其特征在于，计算固定长度的左右窗口内大于当前帧y轴欧拉角值的比例，即：口内大于当前帧y轴欧拉角值的比例，即：其中，x
j
是判定帧j的y轴欧拉角值，j＝i-l
r
，l
l
和l
r
是左右窗口长度,左右窗口数据范围则分别为[i-l
l-l
r
,i-l
r
]和[i-l
r
,i]，n(x＞x
j
)是窗口内值大于x
j
的数据帧数。
5.根据权利要求1所述的下肢步态模式识别方法，其特征在于，若步态事件帧判断为否，则进行拐弯识别，通过计算z轴欧拉角在固定长度窗口内的梯度值，进行拐弯识别，具体为：计算z轴欧拉角数据，在长度为n的窗口内的梯度值g
i
，即：其中，eulerz
i
是第i帧z轴欧拉角值，n为窗口长度，若梯度值大于阈值，则判定当前处于拐弯步态周期内，输出结果。6.根据权利要求1所述的下肢步态模式识别方法，其特征在于，所述预先训练好的降维矩阵，具体是通过预先采集下肢步态模式类别的imu样本数据，计算特征向量，并使用lda算法进行降维训练得到训练好的降维矩阵。7.根据权利要求6所述的下肢步态模式识别方法，其特征在于，各个模式的样本数据降维后，计算特征向量的平均值，得到相应模式类别的标签点。8.根据权利要求1-7任一项所述的下肢步态模式识别方法，其特征在于，imu布置在人体腰部位置，imu的z轴竖直朝上，即人体解剖学上的垂直轴方向；y轴朝向人体运动前方，即人体解剖学上的矢状轴方向。9.根据权利要求1所述的下肢步态模式识别方法，其特征在于，接收每一单帧数据时，将触发并执行方法流程一次，单帧数据为imu九轴数据构成的长度为9的向量。

技术总结
本发明公开了一种基于IMU的下肢步态模式识别方法，包括：通过布置在人体腰部的IMU传感器，获取人体下肢运动过程中的信号数据；计算X轴角速度数据的均方根，判断当前是否为站立状态；识别步态事件帧，若识别数据为y轴欧拉角中的波谷，对应下肢左脚触地事件，则定义为步态事件帧；若识别为步态事件帧,则进一步对行走、上楼梯、下楼梯、上坡及下坡的识别；若步态事件帧判断为否，则进行拐弯识别，通过计算z轴欧拉角在固定长度窗口内的梯度值，进行拐弯识别。本方法计算量小，实现简单。实现简单。实现简单。


技术研发人员：王念峰 林桂峰 张宪民
受保护的技术使用者：华南理工大学
技术研发日：2023.04.25
技术公布日：2023/8/14