陳偉+田一明+王喜太

摘 要：針對下肢運動模式識別中出現(xiàn)的單一信號特征識別方法不能準(zhǔn)確、可靠地識別出下肢的運動模式，以及多信號特征識別方法所帶來的維數(shù)災(zāi)難問題。提出一種利用神經(jīng)網(wǎng)絡(luò)特征級融合多信號特征以及D-S證據(jù)理論對預(yù)識別結(jié)果進(jìn)行決策級融合的下肢運動模式識別方法。對采集到的下肢表面肌電信號以及髖關(guān)節(jié)信號進(jìn)行特征提取，對兩種來自不同信號源的特征向量分別建立各自的神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)的特征級融合屬性得出不同信號源特征對下肢動作的預(yù)識別結(jié)果。最后利用D-S證據(jù)理論融合來自不同信號源特征對待識別動作的概率信度，以實現(xiàn)決策級融合的目的。通過文中方法對五種下肢常見動作的識別效果進(jìn)行了驗證。實驗結(jié)果表明，文章方法相比于單一信號源特征的識別方法具有更高的可靠性和正確率。

關(guān)鍵詞：運動模式；數(shù)據(jù)融合；多源信息；神經(jīng)網(wǎng)絡(luò)；D-S證據(jù)理論；特征提取

中圖分類號：R318.04 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2018）01-0025-03

Abstract： In view of the single signal feature recognition method which is adopted in the lower limb motion pattern recognition and can not accurately and reliably identify the lower limb motion pattern and the dimension disaster caused by the multi-signal feature recognition method， a method of lower limb motion pattern recognition using neural network feature level fusion and D-S evidence theory for decision level fusion of pre-recognition results is proposed. The features of the lower limb surface muscle signals and hip joint signals were extracted， and the neural networks were established for the two kinds of feature vectors from different signal sources. The feature level fusion attribute of neural network is used to obtain the pre-recognition results of different signal source features to lower limb motion. Finally， D-S evidence theory is used to fuse the probability reliability of different signal sources dealing with the recognition action， in order to achieve the purpose of decision level fusion. The recognition effect of five common lower extremity movements is verified by the method of this paper. The experimental results show that the proposed method is more reliable and accurate than the single signal source recognition method.

Keywords： motion pattern； data fusion； multi-source information； neural network； D-S evidence theory； feature extraction

引言

佩戴假肢是大腿截肢患者恢復(fù)基本行為能力的重要方式之一。截至2006年4月1日的統(tǒng)計數(shù)據(jù)表明，我國肢體殘疾人的數(shù)量為2412萬，下肢截肢人數(shù)約為158萬人，占截肢總數(shù)的85%，其中能夠安裝假肢的約為44萬人[1]。由于智能假肢能夠識別穿戴者的運動意圖，實現(xiàn)人-假肢-環(huán)境三者之間有效的信息交互與控制，目前受到了廣泛的重視。下肢運動模式識別是智能假肢研究工作的重點與難點，因為只有在正確識別穿戴者下肢運動意圖的基礎(chǔ)上，才能對假肢進(jìn)行有效的控制。因此，要求智能假肢能夠根據(jù)患者的意圖與外界環(huán)境實現(xiàn)各種運動模式的適應(yīng)，多運動模式識別方法是非常重要的[2]。

本文提出通過融合算法對來自多源信息信號的初步辨識結(jié)果在決策級進(jìn)行有效的融合，既能體現(xiàn)多源信息對運動描述全面性的優(yōu)勢，又能克服傳統(tǒng)方法中特征空間復(fù)雜度過高的問題。利用在下肢不同運動模式中采集到的髖關(guān)節(jié)信號以及下肢不同肌肉群的肌電信號作為信號源，通過對其進(jìn)行特征提取，將這兩種信號源各自的識別結(jié)果以概率的形式表示出來，作為判斷不同動作模式的獨立證據(jù)，利用D-S證據(jù)理論進(jìn)行融合決策。證據(jù)理論的融合算法能夠避免單一信號源特征對運動模式描述的片面性而導(dǎo)致識別過程可靠性差的問題，將不同信號特征的優(yōu)勢進(jìn)行整合，從而提高下肢運動模式識別率。

1 下肢多信號采集及特征提取

人體的下肢運動具有復(fù)雜性和規(guī)律性，多源信息能夠更好地對下肢的運動模式進(jìn)行描述。本文選取下肢表面肌電信號、髖關(guān)節(jié)加速度信號、髖關(guān)節(jié)角度信號作為下肢多信號來源。endprint

1.1 肌電信號

表面肌電信號蘊涵著很多與肢體運動相關(guān)聯(lián)的重要信息[3]。最終選取了半腱肌等四塊肌肉作為肌電信號采集的肌肉群，這四塊肌肉易于對下肢運動模式進(jìn)行識別。

表面肌電信號特征

本文為了獲得的表面肌電信號中更多有效特征，采用時頻域信號特征相結(jié)合的方式。具體為：時域法中的積分肌電值，時域法中的絕對值方差、頻域法中的功率譜比值。對半腱肌、股直肌等四塊肌肉所采集的肌電信號分別選取了包括時域和頻域在內(nèi)的三個特征參數(shù)，所以肌電信號源的特征向量可以表示為：F1=[I1，V1，K1，I2，V2，K2，I3，V3，K3，I4，V4，K4]

1.2 髖關(guān)節(jié)信號

1.2.1 髖關(guān)節(jié)角度特征

其計算公式為：

（1）

式中，？茲i表示不同運動模式下髖關(guān)節(jié)角度值，？茲max表示人體運動中髖關(guān)節(jié)角度的最大值，N表示0.1s內(nèi)傳感器的采樣點數(shù)。

1.2.2 髖關(guān)節(jié)加速度特征

本文選取了標(biāo)準(zhǔn)差、偏度和相關(guān)系數(shù)作為特征[4-5]，于是，下肢運動過程中髖關(guān)節(jié)信號源的特征向量可以表示為：F2=[X，σ，S，Cxy]。綜上所述，總共提取到下肢運動過程中肌電特征、髖關(guān)節(jié)特征2類共16個特征。

2 D-S證據(jù)理論

證據(jù)理論又稱為信任函數(shù)理論，是對經(jīng)典概率理論的擴展。最初由Dempster提出用于把命題的不確定性問題轉(zhuǎn)化為集合的不確定性問題，經(jīng)過對該理論的補充形成了現(xiàn)在的D-S理論。

定義一個識別框架Θ，它代表對于一個判決或者識別問題M中所能出現(xiàn)的一切可能存在情況的集合。并且識別框架內(nèi)的任一命題彼此都互不形容。

對任意假設(shè)的信任函數(shù)Bel（u）定義為u中全部子集對應(yīng)這一假設(shè)的基本概率之和，即：

（2）

對n個不同證據(jù)對應(yīng)識別框架中各個命題的基本可信度分配函數(shù)m1，m2，mn進(jìn)行合成，得到融合后的基本可信度賦值函數(shù)為： 。D-S證據(jù)融合規(guī)則為：

（3）

3 基于D-S證據(jù)理論的下肢動作識別

由于在下肢運動識別中，肌電特征與髖關(guān)節(jié)特征之間彼此是獨立的，并不具有相關(guān)性，因此可以將來自不同信號源所訓(xùn)練出神經(jīng)網(wǎng)絡(luò)的識別結(jié)果轉(zhuǎn)化成在此證據(jù)下的可信度分配，再利用D-S證據(jù)理論融合兩個獨立證據(jù)下的可信度分配，最后利用閾值決策法給出最終的識別結(jié)果。整個識別方法具體步驟如下：

（1）構(gòu)建問題整體識別框架 以及

證據(jù)體Ei（i=1，2，…n）。

（2）確定各證據(jù)體的基本概率分配函數(shù)。本文利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果作為證據(jù)，來構(gòu)造概率分配函數(shù)，根據(jù)特征維數(shù)可確定局部識別網(wǎng)絡(luò)1和2的結(jié)構(gòu)。

（3）利用D-S的合成公式，將所有證據(jù)體的基本概率進(jìn)行融合，得出所有證據(jù)體條件下某一動作的基本概率賦值。

（4）構(gòu)造決策融合的閾值判別規(guī)則。根據(jù)不同的實驗要求，制定相應(yīng)的基本信度分配條件，以對動作的識別做出判斷。

4 實驗及結(jié)果分析

4.1 實驗系統(tǒng)組成

本實驗利用Q-PID數(shù)據(jù)采集卡實現(xiàn)對運動信息的采集，通過數(shù)據(jù)采集卡采集到電腦進(jìn)行處理，采樣頻率為1kHz。使用TRIGNO肌電信號傳感設(shè)備來對運動過程中四塊肌肉的肌電信號進(jìn)行采集。髖關(guān)節(jié)加速度信號通過選用美國模擬器件公司的ADXL203型加速度傳感器進(jìn)行采集。角度傳感器選用的是村田公司的陀螺儀傳感器ENC-03。平地行走的實驗數(shù)據(jù)是在跑步機上以4km/h的速度完成的數(shù)據(jù)采集。在此基礎(chǔ)上，選擇7位健康學(xué)生作為實驗對象，對每位實驗對象采集五種運動模式的肌電信號、髖關(guān)節(jié)角度以及加速度信號各100組，將采集到的所有實驗數(shù)據(jù)按6：4的比例分為訓(xùn)練樣本和測試樣本。

4.2 實驗結(jié)果

對訓(xùn)練樣本融合后的信度分配情況和動作屬性進(jìn)行統(tǒng)計和分析后，根據(jù)二者的對應(yīng)關(guān)系建立融合后的閾值判別規(guī)則為：T1=0.65，T2=0.50，T3=0.25。

應(yīng)用本文所述方法對測試樣本進(jìn)行測試，計算單一信號源以及多信號源融合下的信度分布值，并根據(jù)前文構(gòu)造的融合閾值判別規(guī)則進(jìn)行動作模式判決。表1為實驗中隨機選取的2組實驗的相關(guān)記錄，其中黑體部分表示某個運動模式擁有最大的信度，即最有可能發(fā)生的運動模式。

通過表1可以看出在不考慮D-S理論融合的情況下，兩種單一信號源的神經(jīng)網(wǎng)絡(luò)的信度輸出有時并不能根據(jù)設(shè)定的信度閾值規(guī)則來判定其為何種運動模式，例如表2中運動模式為平地行走時，由于BP2的信度輸出m（u1）=0.621

400組測試樣本下的單一信號源識別結(jié)果和應(yīng)用D-S理論多信號源融合識別結(jié)果如表2所示。由表2可知，但是肌電信號源特征的平均識別率比髖關(guān)節(jié)信號源特征略高；其次，由于單一信號源特征對運動信息描述不夠全面，且當(dāng)單個神經(jīng)網(wǎng)絡(luò)出現(xiàn)模糊識別或誤識別后沒有其他證據(jù)體彌補其出現(xiàn)的不足，造成識別率普遍偏低，本文方法融合來自兩個信號源的決策信息，能夠避免單一信號源特征對運動描述的不全面性和識別的不穩(wěn)定性。

5 結(jié)束語

本文首先利用神經(jīng)網(wǎng)絡(luò)分別建立了基于下肢肌電以及髖關(guān)節(jié)特征的神經(jīng)網(wǎng)絡(luò)分類器，并以各神經(jīng)網(wǎng)絡(luò)的輸出作為獨立證據(jù)分別構(gòu)造在本信號源上的基本信度分配；然后應(yīng)用D-S證據(jù)理論將來自不同信號源對動作模式的判決信息作為彼此獨立的證據(jù)在決策層進(jìn)行有效融合；最后，利用構(gòu)造的決策融合閾值判別規(guī)則進(jìn)行決策識別。實驗表明這種方法不僅能避免由于單一信號特征存在的片面性而帶來的識別率低的問題，還能夠解決多信號特征所帶來的特征向量維數(shù)過高不利于識別的問題；下一步的工作著重研究不同信號源的最優(yōu)匹配問題以提高D-S融合理論在下肢模式識別方面的應(yīng)用效果。

參考文獻(xiàn)：

[1]靳爾剛.康復(fù)器具行業(yè)發(fā)展走向[R].北京：中國康復(fù)器具協(xié)會，2007.

[2]Miller J D， Beazer M S， Hahn M E. Myoelectric walking mode classification for transtibial amputees[J]. IEEE Transactions on Biomedical Engineering，2013，60（3）：2745-2750.

[3]孟明，佘青山，羅志增.HMM在下肢表面肌電信號步態(tài)識別中的應(yīng)用[J].華中科技大學(xué)學(xué)報（自然科學(xué)版），2011，39（增刊）：176-179.

[4]邢秀玉，劉鴻宇，黃武.基于加速度的小波能量特征及樣本熵組合的步態(tài)分類算法[J].傳感技術(shù)學(xué)報，2013，26（4）：545-549.

[5]Min Li， Long Zhao. The classification of human lower limb motion Based on acceleration sensor[A].Proceedings of 2016 IEEE Chinese Guidance， Navigation and Control Conference. Nanjing， Jiangsu， China： 2016：2210-2214.