公开/公告号CN107679516A
专利类型发明专利
公开/公告日2018-02-09
原文格式PDF
申请/专利权人 中国科学院合肥物质科学研究院;
申请/专利号CN201711008627.1
申请日2017-10-25
分类号G06K9/00(20060101);
代理机构34101 安徽省合肥新安专利代理有限责任公司;
代理人陆丽莉;何梅生
地址 230031 安徽省合肥市蜀山区科学岛蜀山湖路350号
入库时间 2023-06-19 04:31:42
法律状态公告日
法律状态信息
法律状态
2019-07-19
授权
授权
2018-03-09
实质审查的生效 IPC(主分类):G06K9/00 申请日:20171025
实质审查的生效
2018-02-09
公开
公开
技术领域
本发明涉及人体运动参数测量信号的模式判别领域,特别是人体下肢日常行为运动意图的预测识别技术。
背景技术
人体下肢运动模式态的自动识别是实现智能假肢和助力助残外骨骼机器人系统主动控制和高效人机交互的关键技术之一。在复杂的日常行为运动场景中,如何敏锐地获取人体的多种运动意图,并根据人体的实时运动意图实现机器人系统的主动助力控制,以达到机器人系统快速、准确地顺应人体反应并实现自然运动模式,成为非运动滞后控制拟解决的难点所在。现有的运动意图识别技术主要通过可穿戴多源传感器系统采集足底压力、肢体惯性传感信号以及表面肌电信号等多源信息后以特征融合和模式识别的方法进行判断。应用的识别方法有人工神经网络方法、K近邻方法、频域阈值分割、线性判别分析、高斯混合模型分类方法和隐马尔科夫模型等。
现有方法在识别人体静止姿态和动态运动方面都取得了一定的效果,但是都面临着运动特征不稳定导致的识别率起伏较大的问题。隐马尔科夫模型是其中识别效果最为显著的方法,缺点在于模型运动参数估计较为困难,所需数据量和计算量都较大,影响算法的实时应用。本发明所描述的基于多尺度高斯-马尔科夫随机场模型的下肢运动模式自动识别算法能够融合处理多种足底压力信号、关节角度信号和运动学信息,所抽取的二维信号特征不同于现有的公开发表的方法,具有更稳定的局部时域特征分布,是一种有效的分层决策意图判别算法。
发明内容
本发明为克服辅助运动系统中现有运动模式识别技术可靠性较差和准确性偏低的问题,提出一种基于多尺度高斯-马尔科夫随机场模型的下肢运动识别方法,以期能提取稳定的信号局部特征,克服运动不稳定带来的信号噪声影响,从而提高下肢运动模式的识别准确率和预测可靠性,为辅助运动系统的稳定控制提供技术支撑。
本发明为解决上述技术问题所采用的技术方案是:
本发明一种基于多尺度高斯-马尔科夫随机场模型的下肢运动识别方法的特点是按照以下步骤进行:
步骤1、利用可穿戴多源传感器系统采集人体下肢多种运动模式的原始数据,并对原始数据进行预处理,构建数据特征图;
步骤1.1、以Δt为采样时间间隔,在人体膝关节、髋关节和足底处共设置m个传感器用于采集人体典型运动模态及其相互转换时的连续行为数据作为原始运动数据,记为D=(d1,d2,…,dj,…,dn),dj表示第j个离散点的原始运动数据,且为m维列向量,n为离散点的个数,则数据采集的时长为n×Δt;
步骤1.2、数据预处理:
采用卡尔曼滤波算法对原始运动数据D中的关节角度信号进行平滑处理,对足底压力信号进行局部空间求和计算,得到预处理后的运动数据;
步骤1.3、对预处理后的运动数据进行归一化处理,得到归一化后的运动数据,记为D′=(d′1,d′2,…,d′j,…,d′n),d′j表示到归一化后的第j个离散点的运动数据;并确定多种运动模式下的标准集和测试集;
步骤1.4、以传感器的个数为行向量、以时序为列向量构建数据特征图,并将所述数据特征图进行x次重复组合,从而得到相应行向量维数为M=x×m的数据特征图:
步骤2、信号的多尺度分解与特征场建模;
步骤2.1、采用哈尔小波变换将所述数据特征图D*分解为L层尺度的特征图
步骤2.2、对所述第l层尺度的哈尔小波分解图
采用C-均值聚类算法对于所述数据特征图D*进行聚类,得到C个类,利用式(1)所示的高斯概率密度函数对任意第c个类建立高斯观测场模型:
式(1)中,yij表示观测位置(i,j)处的观测值,c=1,2,...,C表示观测位置样本所属的分类标记,μc表示样本均值参数,且
高斯概率密度函数fl(yij|d′ij=c)满足约束条件
步骤2.3、利用式(2)所示的各向同性的多级逻辑马尔科夫随机场模型建立第l层尺度的哈尔小波分解图
式(2)中,V2为二元势函数,P(d′ij|d′Z(ij))表示采样数据点d′ij的局部概率函数,Z(ij)表示位置(i,j)以外的所有邻域位置集合,d′Z(ij)表示所有邻域位置集合Z(ij)中所有位置的采样数据集合,
步骤3、设定迭代次数为Q,迭代更新第l层尺度哈尔小波分解图的观测场高斯模型参数{μc,σc,πc}:
步骤3.1、在当前迭代次数q下,根据贝叶斯公式和采样数据点d′ij在(i,j)处邻域的标记场,得到如式(3)所示的关系式:
P(d′ij|yij,d′Z(ij))∝f(yij|d′ij)P(d′ij|d′Z(ij))(3)
利用式(4)对式(3)取最大化值,从而确定采样数据点d′ij的类别标记:
步骤3.2、利用式(5)计算位置(i,j)处的特征场能量
式(5)中,μc为属于第c类数据集的均值向量,Σc为第c类数据集的协方差矩阵;
步骤3.3、利用式(6)计算位置(i,j)处的标记场能量
式(6)表示采样数据点d′ij所有邻域位置的标记场势函数值之和;
步骤3.4、计算所述特征场能量
步骤3.5、令q+1赋值给q,判断当循环迭代q是否大于最大次数Q,若大于,则执行步骤3.6,否则,转步骤3.1继续更新计算;
步骤3.6、融合L个尺度的数据特征图分割结果:
将l尺度数据特征图上获得的分割结果以同比例投影到l+1尺度上进行融合,依此类推获取融合后的时序分割结果,l=1,2,...,L;
步骤4、将所述融合后的时序分割结果与C种运动模式的标准集进行匹配,并判断时序分割结果的模式归属,根据投票准则消除不同运动模式下的时序分割区域的边界模糊的问题;
步骤4.1、计算当前第c种运动模式与C种运动模式的标准值之间的欧式距离,取最小欧式距离对应的类别作为当前第c种运动模式类别;
步骤4.2、统计垂直于时序维度方向上的各运动模式类别数量之和,以最大统计值作为模糊边界处运动模式的所属类别,从而对不同运动模式下相邻的时序分割区域的边界进行去模糊化处理,得到最终的C种运动模式的分类结果。
与已有技术相比,本发明有益效果体现在:
1、本发明整体方案通过对下肢运动时域信号的重新组合并有效结合高斯-马尔科夫随机场模型,有效提高了下肢运动模式的识别准确率;与现有时域信号处理方法不同,本方法中所提取的信号特征为空间域特征,经重新组合后的多维时域信号在二维空间域中表现出更为稳定的局部特征分布,增强了多种运动模式识别的预测可靠性。
2、本发明针对人体运动周期存在时变性的特点,选用多尺度小波分解方法克服了因运动快慢变化所造成的信号周期尺度差异过大问题,提高了识别算法的稳定性。
3、本发明所选取的高斯-马尔科夫随机场模型能够准确描述运动观测信号的局部空间域分布特征,计算速度快、识别准确率高,算法的总体计算量对观测信号维数的变化不敏感,即增加了多路传感器信号不会显著增加计算量,因而具有较好的鲁棒性。
4、本发明针对相邻运动模式边界存在过渡性这一特点,提出了投票原则统计量用于精细化运动模式之间的边界,计算方法简洁,运算速度快,有利于本发明方法在实际系统中的应用。
附图说明
图1是本发明运动模式自动识别方法的整体流程图;
图2是本发明运动模式自动识别方法的详细流程图;
图3是实施例原始数据图及其运动模式分割结果。
具体实施方式
下面结合说明书附图和实施例对本发明作具体实施方式的说明。本实施例中,一种基于多尺度高斯-马尔科夫随机场模型的人体下肢运动模式自动识别方法,整体流程如图1所示,先对采集的运动数据进行预处理和数据特征图构建,然后对数据特征图做多尺度小波分解并利用C-均值聚类算法初始化高斯模型的参数,迭代更新每个尺度图像观测场高斯模型参数并融合所有尺度的数据特征图分割结果,按投票原则处理分割边界,最后将分类结果与各运动模式标准集进行匹配判断模式归属。详细的方法流程如图2所示,是按照以下步骤进行:
步骤1、利用可穿戴多源传感器系统采集人体下肢多种运动模式的原始数据,并对原始数据进行预处理,构建数据特征图;
步骤1.1、以Δt为采样时间间隔,在人体膝关节、髋关节和足底处共设置m个传感器用于采集人体典型运动模态及其相互转换时的连续行为数据作为原始运动数据,记为D=(d1,d2,…,dj,…,dn),dj表示第j个离散点的原始运动数据,且为m维列向量,n为离散点的个数,则数据采集的时长为n×Δt;具体实施过程中所涉及的人体典型运动模态为五种,主要包括典型的日常运动行为:正常行走、上楼梯、下楼梯、站立和起坐。可穿戴多源传感器系统采集的信号组成主要为膝关节和髋关节的4路关节角度信号以及8路足底压力信号,即m=12;信号数据采集频率为20赫兹,对应采样间隔Δt为50毫秒。
步骤1.2、数据预处理:
采用卡尔曼滤波算法对原始运动数据D中的关节角度信号进行平滑处理,对足底压力信号进行局部空间求和计算,得到预处理后的运动数据;关节角度的卡尔曼滤波状态方程和观测方程分别为:
其中,θ为角度,w为角加速度,状态向量xi=[θi>i]T, 步骤1.3、对预处理后的运动数据进行归一化处理,得到归一化后的运动数据,记为D′=(d′1,d′2,…,d′j,…,d′n),d′j表示到归一化后的第j个离散点的运动数据;并确定多种运动模式下的标准集和测试集; 步骤1.4、以传感器的个数为行向量、以时序为列向量构建数据特征图,并将所述数据特征图进行x次重复组合,从而得到相应行向量维数为M=x×m的数据特征图: 步骤2、信号的多尺度分解与特征场建模; 步骤2.1、采用哈尔小波变换将所述数据特征图D*分解为L层尺度的特征图 本实施例中,L设置为3,每层尺度分辨率的数据特征图均被分解为四个频率的小波系数(LL,LH,HL,HH),因此对应尺度分辨率的数据特征图在位置(i,j)处的值可表示为 l=(1,2,3)为对应的尺度; 步骤2.2、对所述第l层尺度的哈尔小波分解图 采用C-均值聚类算法对于所述数据特征图D*进行聚类,得到C个类,利用式(1)所示的高斯概率密度函数对任意第c个类建立高斯观测场模型: 式(1)中,yij表示观测位置(i,j)处的观测值,c=1,2,...,C表示观测位置样本所属的分类标记,μc表示样本均值参数,且 高斯概率密度函数fl(yij|d′ij=c)满足约束条件 步骤2.3、利用式(2)所示的各向同性的多级逻辑马尔科夫随机场模型建立第l层尺度的哈尔小波分解图 式(2)中,V2为二元势函数,P(d′ij|d′Z(ij))表示采样数据点d′ij的局部概率函数,Z(ij)表示位置(i,j)以外的所有邻域位置集合,d′Z(ij)表示所有邻域位置集合Z(ij)中所有位置的采样数据集合, 步骤3、设定迭代次数为Q,迭代更新第l层尺度哈尔小波分解图的观测场高斯模型参数{μc,σc,πc}: 步骤3.1、在当前迭代次数q下,根据贝叶斯公式和采样数据点d′ij在(i,j)处邻域的标记场,得到如式(3)所示的关系式: P(d′ij|yij,d′Z(ij))∝f(yij|d′ij)P(d′ij|d′Z(ij))(3) 利用式(4)对式(3)取最大化值,从而确定采样数据点d′ij的类别标记: 步骤3.2、利用式(5)计算位置(i,j)处的特征场能量 式(5)中,μc为属于第c类数据集的均值向量,Σc为第c类数据集的协方差矩阵; 步骤3.3、利用式(6)计算位置(i,j)处的标记场能量 式(6)表示采样数据点d′ij所有邻域位置的标记场势函数值之和; 步骤3.4、计算所述特征场能量 步骤3.5、令q+1赋值给q,判断当循环迭代q是否大于最大次数Q,若大于,则执行步骤3.6,否则,转步骤3.1继续更新计算; 步骤3.6、融合L个尺度的数据特征图分割结果: 将l尺度数据特征图上获得的分割结果以同比例投影到l+1尺度上进行融合,依此类推获取融合后的时序分割结果,l=1,2,...,L; 步骤4、将所述融合后的时序分割结果与C种运动模式的标准集进行匹配,并判断时序分割结果的模式归属,根据投票准则消除不同运动模式下的时序分割区域的边界模糊的问题; 步骤4.1、计算当前第c种运动模式与C种运动模式的标准值之间的欧式距离,取最小欧式距离对应的类别作为当前第c种运动模式类别; 步骤4.2、统计垂直于时序维度方向上的各运动模式类别数量之和,以最大统计值作为模糊边界处运动模式的所属类别,从而对不同运动模式下相邻的时序分割区域的边界进行去模糊化处理,得到最终的C种运动模式的分类结果。 本发明的所选取的具体数据及实施过程描述如下: 测量人体下肢运动数据的可穿戴多源传感器系统包括左、右足底各4个压力传感器,左、右下肢关节(髋关节、膝关节)各2个磁信号角度传感器,共计12个传感器信号。信号采集频率设置为20Hz,即采样时间间隔为50ms。运动模式设置为正常行走、上楼梯、下楼梯、站立、起坐共5种类型,运动顺序为随机组合方式,由测试者自由选择;全部运动过程的数据采集时长为52.45s,共计1049个采样点。 将所采集到的传感器数据经预处理并归一化后按10次重复组合成数据特征图矩阵D*,则D*矩阵大小为1049×120。选用哈尔小波对D*进行多尺度分解,分解层数设置为3,则包括D*在内共有4个尺度的特征图用于后续运动模式分割。 对最大尺度特征图的高斯模型参数初始化,C-均值聚类算法的类别数设置为5,标记场势函数β设置为2,迭代条件模型算法的最大迭代次数Q设置为30。 按步骤3所述算法迭代运算至停止条件满足为止,对分割后的时序运算结果按步骤4.1进行类别归属判断,并应用投票原则统计相邻运动模式边界处的类别归属,做去模糊化处理,得到最终分类结果。本实施例的运动模式分割最终结果如图3所示。在已有人体动作数据库上的测试结果识别准确率在97%以上。 以上是对本发明的较佳实施例进行了具体说明,但本发明创造并不仅限于所述实施例,熟悉本领域的科技人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同变形或替换均包含在本申请权利要求所限定的范围内。
机译: 基于多尺度上下文相关的深度自动编码高斯混合模型的基于图像的非监督异常检测
机译: 基于三元高斯混合模型的多维城市交通异常事件识别方法
机译: 高斯混合模型的卫星海雾检测系统及基于高斯混合模型的无监督学习模式的雾检测方法