基于转换序列算法和决策树的步态相位识别系统建模与评估

薛蕊，曾实现

（青岛黄海学院，山东 青岛 266427）

0 引言

姿态控制膝关节矫形器是一种可穿戴式步行辅助装置，可防止膝盖在承重过程中塌陷，并在工作过程中提供无阻碍的膝盖运动。该系统提出一种识别步态相位的方法，可准确提供来自大腿和膝盖的局部步态数据。准确的步态相位识别能控制跨越不同的水平表面和垂直跨步速度，为控制系统提供实时基本信息。项目研究中提出新型的膝关节矫形器能够将提取大腿和膝盖的信号特征与决策树估算的数据特征结合起来，并通过转换序列验证和校正算法改进Logistic模型决策树，对水平表面速度、步行速度或个人步态的变化情况进行阶段性分类，可以提供高度准确的GPR性能和更合适的系统设计。

1 数据收集

在康复虚拟环境系统中收集多名健全测试者的步行数据，该系统包括一个六自由度力板平台、一台1m×2m双胎面仪表跑步机、180°屏幕虚拟投影以及3D动作捕捉系统等。通过测试者全身标记数据集定义了所有关节和体节位置[1]，并记录了地面反应力。每个测试者都在固定的倾斜角度和速度下进行测试，将关节和身体部分轨迹导入3D动作捕捉系统进行生物力学分析。在计算关节和分段运动数据之前，采用较小截止频率的四阶低通巴特沃斯滤波器标记数据。从每个行走状态提取膝关节屈伸角度、每个轴的大腿段角速度和加速度，最后将数据导入Matlab建模。

2 步态相位识别

步态相位数据的分割可以通过自定义Matlab程序实现，根据矫正器初始接触、站立、足部和最大膝关节屈曲等步态动作[2]进行分解，膝关节屈伸角度（KA）、每个轴的大腿段角速度（AV）（x，y，z）和加速度（AC）（x，y，z）信号被划分为四个步态阶段：加载响应（LR），起步（PO），摇摆（Sw）和终端摆动（TSw）。其中，大腿段加速度和角速度结果用来补充信号，从中提取特征进行估算。公式（1）为速度合成信号，其中υx、υy和υz分别为来自x，y，z方向的加速度和角速度信号：

选择相关性特征应用于初步分析[3]，提取20个特征：膝关节屈伸角度的平均值（x轴）、方差（x轴）、最大差异（x轴）以及最小值（x轴），大腿段角速度的平均值（x轴，y轴）、最大差异（x轴）和最小值（y轴），大腿段加速度平均值（y轴，z轴），最大值（y-axis）和峰峰值总和（x轴，y轴，z轴），以及大腿段角速度的主频率（y轴）、z轴之间的相关系数和y轴加速度。滑动窗口中每个数据点的分数之和为信号和，其中负值减1，正值加1。所有特征都从0.1s滑动窗口中提取，具有90%的重叠，增量为0.01s，并根据每个窗口中的最后一个数据点[4]标记阶段性步态参数。

2.1 决策树设计

提取特征向量用来做数据估算，使用Logistic模型决策树[5]分类器把数据分层训练，并通过交叉验证进行测试。通过训练集提供性能指标，决策树在终端叶节点处生成逻辑回归模型。该函数将从滑动窗口计算的特征向量作为输入，并且以最大概率返回于决策树模型的步态相位作为预测值。双曲线函数方程如公式（2），用于步态阶段概率的计算：

其中，λ为逻辑回归的多变量特征的线性组合系数，i为步态相位中的系数，λ与i相对应。

2.2 转换序列的验证和校正

在步态相位识别GPR模型进行类输出之后，再用“转换序列验证和校正”（TSVC）算法来计算不连续的类函数，且检查当前步态阶段的几个连续序列信号是否相同，如果不同则对异常值分类，进行重新标记。该GPR模型和TSVC算法结合还可以间接识别步态特征，将膝关节屈伸角度（KA）、大腿段角速度（AV）和加速度AC传感器输出的20个数据点的数据存在滑动窗口中，再由Logistic回归模型决策树进行特征提取，最后通过算法进行验证和校正连续步态相序并输出分类。这时系统将滑动窗口延长一定时间，并对下一组数据进行分类。步态识别流程图如图1。

2.3 决策树分类器的评估

分类器的性能指标包括树大小，叶节点数，分类器的总体准确度(Acc)，灵敏度（Sens），特异性（Spec），精确度（Prec）等。将系统提供的特征矩阵作为测试集，根据Matlab2016b中的混淆矩阵计算具有TSVC的LMDT的分类指标，加权平均值公式（3）：

其中，ψ为分类指标，i为特定步态相位，I为与每个步态相位相关的总特征矩阵中的实例总数。

2.4 结果分析

步态相位识别LMDT大小为1643，具有822个叶节点，在每个叶节点处都有逻辑回归函数。该研究验证了通过建模的步态相位识别系统的可行性，引导了矫形器的控制。步态相位识别分类器设计和Logistic控制模型决策树相结合，能可靠地识别不同的步行速度的步态相位[6]。由于我们的GPR模型是从小数据滑动窗口中提取的简单数据特征的数据集开始训练的，这些数据来自实测的大腿和膝盖信号，可以在各种行走条件下进行，结果可以直接转换为实时膝关节矫形器控制。研究中，分类器在每个终端节点处产生Logistic回归模型以处理多类目标变量。正确矫形数据后产生比普通分类树更小的树，较小的决策树生成更简单的模型。对于实时矫形器控制中的GPR，只要可以在适当的时间段内做出分类决定，高精度和普遍性比树大小更重要，所有指标的分类性能也得到了改善。GPR模型具有很好的分类性能，该模型可以成为姿态控制膝关节矫形器中局部智能传感器系统控制的依据。从LMT模型中提取大腿和膝盖的传感器信号特征可以提供高度准确的GPR性能，再通过TSVC算法来改善分类结果，最后使用不同的数据验证集来评估GPR模型[7-8]。

3 结语

利用TSVC算法通过验证集提高了步态分类信号的准确度，因为步行时步态相位是连续的，在步态变相期间，步态信号是退出一个阶段并进入下一阶段进行延续的。因此，在一个步态相位转换为另一个步态的区域，如果信号中没有明显的梯度变化，就不会发生分类。对于膝关节矫形器来说，在PO期间膝关节理想地释放，在预摆动期间，当负重下降时膝关节屈曲数据开始产生，即为安全的膝关节释放点。系统通过调整矫形器的控制可以帮助实现这个理想的PO摆动转换点。总之，使用TSVC改进了具有验证集的GPR模型分类性能，并且与训练集结果相接近。基于Logistic回归模型决策树的步态相位识别成功地识别了多个不同表面的加载响应、膝关节推出、摆动和终端摆动步态阶段以及一系列步行速度，输入数据定位于大腿部和膝盖部。要实现较高的GPR性能，步态相位序列验证和校正算法必不可少。该研究为多个真实行走场景中的实时矫形器控制提供了依据，增强了步态相位识别的准确性。大腿和膝盖处的局部传感器降低了传感器系统的复杂性，并为微处理器控制的膝关节矫形器提供集成的模块化单元。