基于多源信息的步态识别算法研究

熊伟 徐秀娟

摘要：步态识别技术在许多领域得到了很好的应用，并已成为第二代生物特征识别技术的代表，推动了模式识别、信号处理等领域的发展。步态识别的关键是找到合适的步态特征和分类方法，从而提高步态识别的准确性。本文针对上楼、下楼、上坡、下坡和平地行走的五种步态，收集多源信息，提出利用多核多分类相关向量机（MKRVM）建立步态识别算法。通过对不同分类器的识别准确率结果的比较，表明MKRVM算法比单核SVM和单核RVM算法具有更高的识别率。

关键词：步态识别;下肢表面肌电信号;相关向量机

中图分类号：A 文献标识码：A 文章编号：（2021）-14-379

1.介绍

步态是指在运动过程中全身的运动姿势。步态识别是一个涉及模式识别、人工智能等诸多领域的研究课题，在医学等领域有着广泛的应用价值。本文研究了基于多源信息融合的步态识别算法。以肌电图信号、膝关节角信号和足底压力信号为步态识别信息源，提出利用MKRVM算法识别上、下、上、下和平地行走5种步态模式。我们根据每个信号的特征选择合适的核函数，并对核函数的参数进行优化，得到最优的核函数组合。最后，比较了不同分類器的识别准确率，确定了每个信息源识别率最高的核函数，从而构建出最优的步态识别算法。

2.人体步态的主要特征参数

人体步态的主要特征参数包括时空参数、关节角度参数、下肢运动学参数和下肢肌肉特征参数。

2.1 时空参数

时空参数是指步态周期、步长（step length）、步幅（stride length）、步速（walking speed）等特征。步态周期是指从脚着地到脚再次着地的时间过程。根据行走时下肢的位置可分为支撑期和摆动期。

步态的跨步特征是足着地的空间特征量，包括步速、步长和步幅等，如图1所示。

2.2 关节角参数

关节角度参数是指髋、膝和踝三个关节的运动特性，如各个关节的角度、角速度和角加速度等。髋关节角是指躯干纵轴与股骨纵轴之间的夹角。膝关节角是股骨纵轴的延长线与胫骨纵轴的平行线之间的夹角。踝关节角是指第五跖骨与腓骨外侧中线的夹角为负90°。

2.3 下肢运动学参数

下肢运动学参数主要包括足底压力、各种关节力矩等。

2.4 下肢肌肉特征参数

下肢肌肉特征参数主要体现在运动状态下的下肢肌电信号中。

从以上对步态参数的描述可以看出，时空参数更加直观，关节角度参数和运动学力学参数可以更详细地描述步态细节。本文主要研究下肢肌电信号、足底压力、髋关节角度、加速度等信号，为进一步研究步态识别技术奠定基础。

3.多源步态信息的收集

从的角度多种运动模式和步态识别，本文获得的多源信息，如表面的下肢肌电图信号，髋关节的角加速度，脚的压力等等，并使用多传感器融合技术实现多传感器优势互补，这样实现的识别更多种类的运动和行为模式。

选取年龄在20 ～ 50岁、性别不同的健康受试者50人作为研究对象。每个受试者的个人信息见表1。

在多源信息采集系统中，无线肌电信号传感器的采样频率为1000hz。肌电信号通过无线网络传输到计算机。采集到的髋关节运动信号和足底压力信号通过采集卡传到计算机，采样频率为1000Hz。

为了让受试者完成上、下、上、下、平地面行走的五种步态，我们搭建了一个标准的测试平台。实验平台由楼梯、斜坡、平板组成。楼梯设有6级台阶，可完成3次步态循环，台阶高度150mm，用途广泛;坡道为15度的无障碍通道坡道，可完成的步态周期数由个人行走特点决定，一般为3-4周期;平面板连接楼梯与斜坡，更符合日常生活中行走的步态。平地行走的实验可以在活动空间大的实验室里进行，不需要局限在平板上。

每个受试者每步采集5组数据，然后休息5分钟，放松腿部肌肉，避免肌肉疲劳对实验的影响，确保实验数据的客观性。所有受试者均被要求在实验前24小时内无剧烈活动或肌肉疲劳。实验前，使用异丙醇擦拭肌电信号传感器表面和银质检测条，去除残留物。传感器位置确定后，使用与银条检测条相匹配的双面胶带将传感器固定在清理好的皮肤处。

实验内容如下：（a）上下楼实验;（b）上下坡实验;（c）平地行走实验;（d）受试者在室内跑步机上进行不同步速行走。

在实验（d）开始之前，受试者被要求以跑步机上以待测速度热身1.0-1.5分钟。为了保证被试者姿势自然，在实验开始后，待受试者的速度稳定后，开始采集数据。

实验步骤如下：

（a）受试者了解整个实验过程，确保正确理解实验操作;

（b）对受试者皮肤进行处理，粘贴表面肌电电极;

（c）实验前，受试者应充分熟悉动作要领，进行2-3次的熟悉性操作;

（d）受试者重复完成上下楼梯、上坡、下坡、不同速度的平地行走步态，每种步态重复5-10次，采集多源信号数据;;

（e）采集的数据确认有效后，实验结束。

4.基于多源信息的步态识别算法

4.1多核多分类RVM的步态识别算法

关联向量机（RVM）是一种基于贝叶斯框架理论的机器学习方法。RVM本质上仍然是两个分类器。不同的核函数对应着不同信息源的特征空间和非线性映射。多核函数的映射能力更强，同时使用多个核函数可以提高决策函数的性能。多核多关联向量机（MKRVM）也采用分层贝叶斯模型，通过引入多项概率似然函数来融合不同的特征信息，从而得到更好的组合特征。其中S表示信息数据的类别，β1，β2，…βS表示组合的内核参数。

假设有S种信息源，通过某种方法提取特征后得到S个特征空间，则样本数据集可以表示为XS=xi，tiNi=1。N为样本个数;D是特征向量的维数;C是类别的数量。当核函数确定时，核矩阵表示为KS。多核矩阵定义为：

4.2 核函数选择及算法流程

核函数的选择是MKRVM识别准确性的關键。不同的数据信息在特征空间中的分布是不同的，因此为每个信息数据选择合适的核函数将对最终的分类产生相应的影响。

支持向量机和RVM分类器算法的主要优点之一是使用了核函数。常用的核函数有线性核函数、多项式核函数、径向基核函数和sigmoid核函数。其公式如下：

式中，g为核函数中向量积的系数;c为核函数的独立项;d是多项式核函数的宽度。

本文基于MKRVM分类算法的下肢步态识别方法整合了不同特征的步态信息。其步态识别算法流程如图2所示。

5.实验结果与分析

MKRVM分类输出各种步态的概率，最大概率值对应的步态作为识别结果。本文分析了五种步态的实验数据。然后，通过比较单核支持向量机和单核RVM，分析不同步态特征的核函数性能。我们随机将离线样本集分为三部分：70%用于训练模型，20%用于交叉验证参数优化，剩下的10%用于离线测试。在参数优化过程中，每次从交叉验证样本中随机选取20个样本，计算交叉验证的精度。当准确率达到预定值（90%）时终止，并将最大代数设置为500代。

以平地行走实验数据为例，采用SVM和RVM算法的单核分类器识别结果如表2所示

对于MKRVM的参数设置，本文采用遗传算法对MKRVM的核函数参数进行优化。对于上、下、上、下、平地面行走的5种步态，不同分类器的识别结果如表3所示。

可以看出，MKRVM的识别准确率高于单核SVM和单核RVM。通过实验结果分析，MKRVM结合了多源信号的步态信息，优于BP、SVM和RVM。同时也可以看出，使用多个核函数组合的性能要优于使用单个核函数。

6.结论

本文采用多源信息采集系统采集上楼、下楼、上坡、下坡、平地行走五种步态的表面肌电信号、足底压力信号和惯性信号，采用多核MKRVM进行步态识别。通过对不同分类器的识别精度结果的比较，表明MKRVM算法结合了下肢肌电信号、足底压力信号和髋关节角度信号等多源信息，为每个信息源选择最佳的核函数和参数，比单一核SVM和RVM具有更高的识别率。

参考文献

[1].柴艳妹，夏天，韩文英.多特征融合的步态识别算法[J].小型微型计算机系统2014，

[2].贲睨烨.基于人体运动分析的步态识别算法研究[D].哈尔滨：哈尔滨工程大学， 2009

[3].谭建辉，潘保昌.基于径问基函数神经网络的红外步态识别[J].日算机工程与应用，2011

基金项目：本文系江西省教育厅科学技术研究项目“《基于多源信息的步态识别算法研究》（课题编号：GJJ191195）”的研究成果。

江西工程学院