基于模糊逻辑算法的智能膝关节假肢步态相位识别

张意彬， 吕杰， 喻洪流

1.上海健康医学院医疗器械学院，上海市 201318；2.上海理工大学健康科学与工程学院，上海市 200093

0 引言

智能膝关节假肢可以根据穿戴者当前的行走模式切换控制策略，确保人机交互的灵活性。步态相位的准确划分是智能膝关节假肢控制策略切换的先决条件，因此，研究一种高效、准确的步态相位划分方法显得尤为重要。

人体行走是一个复杂的周期性过程，需要骨骼、肌肉以及神经等系统的多方协调参与。为深入了解人体的行走机制以及功能，使用步态相位对步态周期中的运动时间片段进行划分已取得行业内的共识[1]。为了实现柔顺的人-膝关节假肢交互、协调运动，智能膝关节假肢的控制策略已从过去的被动控制模式逐渐演变成当前的混合多控模式[2]，步态相位的准确识别也成了智能膝关节假肢的混合多控技术的基础。此外，在病理步态的诊断与预防[3-4]、医护检测[5]、康复效果[6]评价等方面，步态相位划分也具有重要的意义。

在实验室中，摄像机光学捕捉系统和测力平台是非常精确的步态分析系统，但室外的步态测试则需要更小、更耐用、更灵活、适应性更强的可穿戴系统[7]。随着传感器技术的发展，基于可穿戴式设备的步态相位划分方法越来越受到学者的关注。Dong 等[8]提出一种基于多源信息融合的步态相位识别系统框架，可实现对人体行走模式以及步态相位的识别，在一定程度上降低计算成本；嵌入Support vector、Back-propagation neural networks、AlexNet 和LeNet5 等4 种算法的步态相位识别准确率达到97.7%，行走模式的识别准确率超过99.2%。Fei 等[9]提出一种基于地形几何的LMI (locomotion mode identification)算法，行走模式可以根据地形进行分类；另外，还提出了一种新的椭圆边界触发方式，当预估足轨迹即将穿过椭圆边界时，执行决策，缩短识别时间；3 例健康人和3 例截肢患者在平路行走、上坡行走、下坡行走、上楼、下楼的平均识别准确率为98.5%，5 种路况识别均可在下一次足跟触地前给出结果。Wei 等[10]根据行走中足底反力在预防损伤、步态分析以及生物力学的应用，提出了一种平路、上下斜坡行走的足底反力预测方法；让6 例测试者穿着足底压力鞋垫在一个嵌有测力板的可调斜坡面上进行10次步行，将足底压力鞋垫与测力板的数据进行线性回归拟合，得出一组完全基于足底压力鞋垫的足底反力集；结果发现，平路行走在3个方向的分力(前后向、垂直向、内外侧向)的最小均方根误差分别为10%、3%、21%，斜坡面行走则分别为11%、4%、23%，基本达到预期。

之前利用惯性传感器与足底压力传感器[11]，结合CNN-LSTM(Convolutional Neural Networks-Long Short Term Memory)融合模型算法成功对人体的多种行走模式进行识别，也取得较为满意的结果，即平路行走模式的识别准确率为(89%±2.5)%，上坡(72.8±3.2)%，下坡(71±3.2)%，下楼(96±2.5%)%，但数据量较大，计算时间成本较高。因此，本研究考虑减少传感器数量，仅利用足底的压力信息结合模糊逻辑算法来完成步态相位的快速识别。

1 资料与方法

1.1 测试原理

研究中所采用的智能膝关节假肢是由上海理工大学康复工程与技术研究所的课题组自行研制的假肢样机。该样机采用分体式模块化设计，包含阻尼控制单元和膝关节假肢本体两部分。阻尼控制单元的主要作用是为假肢在行走过程中膝关节的屈曲和伸展提供阻尼。所有感知单元的传感器都安装在假肢本体上，其中两组惯性传感器分别安装在残肢端(大腿接受腔下缘)和小腿段，以获取大、小腿以及膝关节的运动信息；3 组压力传感器安装在假脚底部的不同位置，以获取足底的压力变化。见图1。该样机利用微粒群优化的反向传输算法实现了平路行走中的摆动相步速跟随控制[12]。

图1 智能膝关节假肢样机

智能膝关节假肢的行走控制离不开准确的步态相位的划分，每个步态相位的阻尼控制策略均有不同。例如支撑相的阻尼要强，以保证膝关节的支撑稳定性，支撑不稳定，膝关节崩溃，导致摔倒；摆动相的阻尼要弱，以保证小腿段的快速摆动，摆动相屈曲不及时，导致假脚离地高度不足，容易绊倒；摆动相伸展不及时，导致足跟触地期的膝关节存在小角度屈曲，下肢的步态对称性不佳。为了降低控制的复杂性和冗余性，本文将步态相位缩减为4 个基本相位，依次分别为足跟触地期(heel strike, HS)、支撑中期(middle stance, MS)、预摆期(pre-swing, PSw)、摆动期(swing, Sw)。见图2。

图2 步态相位划分方法

考虑假脚在行走过程中，足底压力分布不均，拟选取3 个薄膜压力传感器FSR1(第3 跖骨下方)、FSR2(第1跖骨下方)、FSR3(假脚足跟下方)。所测压力值分别用F1、F2、F3表示。根据薄膜压力传感器的使用方法，将硅胶垫片覆于FSR 表面，使其表面受力均匀，进一步提升传感器的灵敏度。见图3a。

图3 足底压力传感器使用方法及安装位置

利用模糊逻辑算法，可根据不同的足底压力分布情况，进一步推断出当前的步态相位[13-14]。模糊逻辑策略可以对步态相位进行识别划分，其流程主要包括数据融合处理、模糊控制器以及相位划分结果输出，如图4所示。

图4 基于模糊逻辑控制器的步态相位划分方法

(1) 数据融合处理方法

为了消除个体体重、行走方式以及足底受力的差异所产生的影响，将足底压力传感器FSR1、FSR2、FSR3以百分比形式表示，即用足底的单个压力值占总足底压力和的百分比作为足底压力特征的表述：

其中Wi代表经融合算法处理后的脚底压力信息，且i=1，2，3。(2)模糊控制器的处理过程

将输入信号进行模糊量化处理，转换成为推理机能够识别的模糊矢量。模糊化可以用隶属函数进行直观表示，将一定范围内的数值全部视为需要测量值的同等效果，最终将输入值模糊化为论域上具有一定宽度的模糊子集[15]。

通过对隶属函数进行设计，将融合处理后的足底压力信息转变为模糊子集合(fuzzy subsets)。规则库类似于数据库中的表查询原理，当输入变量发生小幅度变化时，在输出端仍然可以获得稳定的输出。在模糊逻辑系统中，一般采用If-Then...语句，例如：If(FSR1is strong) and (FSR2is weak) and (FSR3is weak)Then (Output is HS)，其他规则详见表1。通常规则越多，模糊子集划分越细，准确度就会越高，但系统控制的复杂度也会提高。

表1 步态相位划分规则

当输入量经过隶属函数模糊化、规则库推理后，在输出端输出系统逻辑值，仍需进一步去模糊化。去模糊化的常用方法包括最大隶属函数法、重心法、加权平均法3 种。本例中采用重心法，即取隶属函数曲线与横坐标围成的面积中心，作为最终模糊逻辑推理输出值。

其中uj表示去模糊化输出值；j= 1,2,3...n代表数据序列；xj表示变量论域值；uj(xj)表示模糊输出值。隶属函数的表达式为：

其中Wi代表经融合处理后的足底压力信息；Ai为灵敏度系数；Bi为比例系数；其中i= 1，2，3 代表安装在足底的3个薄膜压力传感器。

根据式(3)可知，函数的返回值为概率。当Ai过大时，导致步态相位识别的过渡性降低；当Ai过小时，导致步态相位识别的连续性降低。Bi作为足底压力融合信息阈值的判断参考，当fstrong(Wi) ＞Bi时，i位置的融合足底压力模糊输出值为强；当fweak(Wi) ＞Bi时，i位置的融合足底压力模糊输出值则为弱。

在 表1 中，当FSR1为 强(strong)，FSR2、FSR3为弱(weak)时，则当前的相位为足跟触地期；当FSR1、FSR2、FSR3均为强时，当前的相位为支撑中期；当FSR1为弱，而FSR2、FSR3为强时，则当前的相位为预摆期；当FSR1、FSR2、FSR3均为弱时，当前的相位为摆动期。根据模糊逻辑运算法则，可对隶属函数进行模糊决策进行计算，其运算公式如下：

通过设置不同的隶属函数的作用系数进行非在线训练，搜寻最优匹配值，最终的系数确定为A1=10,A2= 2,A3= 1,B1= 0.1,B2=B3= 0.05，3 个足底压力传感器的隶属函数曲线见图5。

图5 灵敏度及比例系数设定值

1.2 测试对象

该样机尚处于研发调试阶段，考虑到安全因素，本次测试采用健康人代替。利用经过特殊设计的小腿承托支架替代假肢的接受腔(图6)，将健康人的大腿部分与小腿部分进行绑定，消除膝关节功能，模拟大腿截肢患者[16]。测试中拟选取5 例测试对象，其身体参数见表2。

1.3 测试方法

按照测试对象的身高、腿长等条件，调整膝关节假肢的小腿段长度，以满足双侧下肢同高的要求。

每位测试对象的假肢穿戴均由假肢师进行统一安装、对线以及调试。

由于测试对象均为健康人(非大腿截肢患者)，因此需要一定时长的假肢穿戴适应性训练，适应性训练时长设定为30 min。

为了防止意外摔倒，实际测试中允许隶属函数对象抓握路边扶手。

测试对象的步速不作具体要求，可按照本人的偏爱步速进行。

假肢模拟侧既可选择左下肢，也可选择右下肢，由测试对象自己决定，不作限制。

为满足数据样本量，要求每种行走模式的迈步数不小于10步。

测试环境中，斜坡路况的倾斜角度为7°；楼梯的宽度为300 mm，高度为150 mm。

2 结果

测试对象的足底压力信息统计结果见图7。为了避免因足底压力非正常跳变产生的步态相位识别错误，研究中采用等长序列进行多次重复判断，最后采用Multivoting 法对识别结果进行验证后再输出。另外，对相位识别顺序添加了约束，即按照HS、MS、PSw、Sw的顺序依次循环识别。测试的步态采集频率为100 Hz，滤波算法为自适应Kalman filtering，识别结果见图8。

图7 3种行走模式的足底压力(FSR1～FSR3)统计结果

图8 3种行走模式的步态相位识别结果

在3 种不同行走模式(平路行走、下坡、下楼)的步态相位识别中，平路行走的步态相位识别准确率最高，为(95.3±2.4)%，下楼行走的步态相位识别准确率最低，为(81.5±6.3)%，下坡行走的步态相位识别准确率为(90.7±3.5%)。

3 讨论

本研究显示，利用足底3 处不同位置的压力融合信息，结合模糊逻辑算法对步态相位进行识别具有一定的可行性。但在下坡、下楼的行走过程中，由于踝关节的屈曲、伸展角度幅度较大，单独依靠足底压力信息对步态相位进行区分，无法将识别的准确率进一步提高。后期会考虑再添加一组踝关节的角度变化信息，并纳入规则库。

在本次测试中，并未考虑上楼、上坡两种行走模式，主要原因是目前所研发的样机仍属于被动型膝关节假肢，由于阻尼装置不能够提供额外的膝关节辅助力矩，因此很难完成上述两种行走模式。

4 结论

本文利用基于模糊逻辑算法的步态相位识别模型，使用假肢侧足底压力传感器FSR 获取足底不同部位的压力数据作为输入，对3 种不同行走模式的步态相位进行了识别分析。结果显示该识别模型具有较好的表现，其中平路行走模式的步态相位识别准确率达到(95.3±2.4)%。测试中采用单一的足底压力传感器作为输入向量，简化了数据采集难度，使步态相位的识别单元更加简洁有效，对于下肢假肢的步态控制具有积极的工程意义。

利益冲突声明：所有作者声明不存在利益冲突。