郭 欣 王 蕾 宣伯凱 李彩萍

基于有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)的步態(tài)識別

郭 欣1,2王 蕾1,2宣伯凱1,2李彩萍1,2

表面肌電信號隨著時間的變化而改變,這將影響運動模式的分類精度.傳統(tǒng)人體下肢假肢運動模式的識別算法不能保證在整個肌電控制時間內(nèi)達到對運動模式的有效識別.為了解決這些問題,本文提取步態(tài)初期200ms的信號的特征值,將無監(jiān)督和有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到大腿截肢者殘肢側(cè)的步態(tài)識別中,并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進行了對比.結(jié)果表明,有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)算法將五種路況下步態(tài)的平均識別率提高到88.4%,優(yōu)于無監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)算法和BP神經(jīng)網(wǎng)絡(luò).

表面肌電信號,智能假肢,特征提取,有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò),步態(tài)識別

近年來,隨著交通事故、工傷、自然災(zāi)害等意外傷害的頻繁發(fā)生以及腦血管疾病、糖尿病和骨關(guān)節(jié)病等慢性疾病的不斷蔓延,中國康復(fù)醫(yī)學(xué)會2006年統(tǒng)計大腿截肢患者達到1725萬,約占肢體截肢總?cè)藬?shù)的71%.穿戴下肢假肢對快速恢復(fù)截肢患者基本行走能力有重大的促進作用.隨著機器人技術(shù)的發(fā)展,國內(nèi)外科研機構(gòu)在智能假肢領(lǐng)域的研究有了長足的進步.清華大學(xué)的王啟寧教授致力于膝下假肢的研究,通過采集殘存肌肉的肌電信號和仿生假肢的機械運動信號,并對踝關(guān)節(jié)角度的再生力矩和功率進行分析,實現(xiàn)對踝關(guān)節(jié)運動的自適應(yīng)控制[1?2].Meier等介紹了2011年德國奧托博克公司研制的智能仿生腿Genium的特點,它的核心部件是單軸液壓阻尼缸,根據(jù)傳感器測出實時步行速度,利用電機控制阻尼缸閥門開度,從而改變膝關(guān)節(jié)彎曲和伸展的阻尼,最終達到膝關(guān)節(jié)的彎曲和伸展速度都能隨著患者步行速度的變化而變化,但因假肢穿戴者本身步態(tài)的異常性,較難模擬實際正常步態(tài),還需要繁雜的訓(xùn)練來獲得控制的目標(biāo)參數(shù)[3].2012年,Hoover等研發(fā)出一種適用于單側(cè)截肢患者的單自由度主動假肢,利用殘肢端接受腔內(nèi)壁上嵌入的肌電電極測量表面肌電信號,來實現(xiàn)行走過程中對假肢膝關(guān)節(jié)力矩的控制[4].田彥濤等分析了動態(tài)雙足機器人的控制策略,為雙側(cè)機器人的發(fā)展提供了新的研究思路[5].2014年,韓國學(xué)者Kim等提出了一種新的肌電信號識別方法,提取了表面肌電信號的6個時域特征值,經(jīng)過子相關(guān)加權(quán)濾波器,提高了肌電信號識別能力,以及對相同動作下細(xì)微差別的包容能力[6?7].2011年和2013年,Huang等采用SVM(Support vector machine)算法和LDA(Linear discriminant analysis)算法研究了靜息狀態(tài)和過渡狀態(tài)的步態(tài)識別精確率,發(fā)現(xiàn)SVM算法在過渡狀態(tài)識別步態(tài)的精確度高于LDA算法,而在靜息狀態(tài)下,二者差別不大[8?9].楊鵬等提出了相干性分析的自適應(yīng)反饋調(diào)節(jié)跌倒預(yù)警方法和基于隱馬爾科夫模型的動力型下肢假肢的步態(tài)識別方法,其預(yù)測準(zhǔn)確率達到了95% 以上[10?11].Peng等提出了基于多路表面肌電信號(Surface electromyography, sEMG)的模式識別方法,識別精確度達91.67%[12],丁其川等概述了sEMG運動意圖識別的研究方法表明sEMG運動策略可以提高行走模式識別[13].

對于膝上截肢者而言,如何獲得足夠的肌電信息源是一個關(guān)鍵問題.本文借鑒了EMG智能傳感器集成裝置,采集大腿截肢者不同步態(tài)的表面肌電信號.使用TrignoTM wireless EMG肌電采集設(shè)備,根據(jù)殘肢肌肉的實際情況以及傳感器的大小為受試者定制可嵌入EMG智能傳感器的接受腔;利用TKE(Teager-Kaiser energy)算子法來確定肌肉收縮的初始時刻,提取步態(tài)初期200ms的信號的特征值,提出有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法對步態(tài)進行識別,識別率由76%增加到88.4%,減少了運動學(xué)信息的誤差,可解決現(xiàn)有技術(shù)中行走模式識別結(jié)果滯后、路況識別效果差等技術(shù)問題.

1 數(shù)據(jù)采集及處理

本研究中招募單側(cè)大腿截肢患者,分析大腿截肢者的主要肌肉,采集5種步態(tài)行走方式下的肌電信號,提取時域特征值、頻域特征值、AR(Autoregressive)模型參數(shù)特征值并進行融合.分析大腿肌和髖肌的主要肌肉,依據(jù)受試者的實際情況,結(jié)合殘余肌肉的位置、長度、面積大小以及肌肉所能發(fā)揮的作用,篩選出如圖1所示肌肉:股直肌、股外側(cè)肌、股二頭肌、半腱肌、闊筋膜張肌、臀大肌.

圖1 大腿主要肌肉Fig.1 The thigh muscles

1.1 大腿截肢者殘肢端sEMG的采集方案設(shè)計

大腿截肢者受試者需滿足以下要求:

1)15位患者,男性12名,女性3名,分別用標(biāo)號S1,S2,···,S15來表示,年齡在20～30歲之間;

2)單側(cè)大腿以下部位截肢;

3)大腿截肢者穿戴3年以上假肢,有安裝假肢經(jīng)驗并對假肢有很好的控制;

4)受試者在24小時之內(nèi)未經(jīng)過劇烈運動無肌肉疲勞現(xiàn)象;

5)體重45～80kg,平均步速0.5m/s; 6)殘肢腿圍比例在80%～95%.

1.2 數(shù)據(jù)采集

如圖2,本實驗受試者需熟悉實驗流程,在平地、上樓梯(臺階15cm高,共10階)、下樓梯、上坡(坡度約10°,長4.5m)、下坡5種步態(tài)模式下進行實驗.受試者在上下樓梯時允許手扶欄桿.每次每種步態(tài)模式采集20組數(shù)據(jù).為避免肌肉疲勞,每采集5組數(shù)據(jù)受試者休息5分鐘,在采集過程實時觀察信號的波形,確保采集到的信號有效.

圖2 5種步態(tài)下肌電采集實驗Fig.2 EMG acquisition under fi ve gait conditions

實驗選用了高性能、高精度的TrignoTM wire-less EMG無線采集儀,見圖3.其傳感器采樣頻率有2000Hz和4000Hz兩種選擇設(shè)置.本文選用的采樣頻率2000Hz,既保證了信號的質(zhì)量又減少了傳輸耗時,而且不會增加相應(yīng)的硬件成本[12?13].

圖3 Trigno采集系統(tǒng)Fig.3 Trigno acquisition system

為保證受試者穿戴舒適,并能從殘肢側(cè)獲取高質(zhì)量的sEMG,為大腿截肢受試者定制了可嵌入智能無線傳感器式接受腔,如圖4所示.

圖4 定制的假肢接受腔Fig.4 Customized prosthetic socket

1.3 信號預(yù)處理及特征值提取

1)信號預(yù)處理

本文利用巴特沃斯帶通濾波器對采集到的原始信號進行濾波并整流[14].由于20Hz～450Hz頻段的數(shù)據(jù)被認(rèn)為是肌電信號的主要組成部分,因此選取濾波器類型為帶通濾波,且階數(shù)設(shè)置為二階,高低截止頻率分別為450Hz和20Hz.圖5為上斜坡模式中臀大肌的原始sEMG和巴特沃斯濾波sEMG.濾波之后,解決了基線漂移的問題,一些噪聲信號以及運動偽跡明顯減少.

2)特征值提取

本文分別用提取平均值、均方根、標(biāo)準(zhǔn)差的時域特征以及功率譜比值(Power spectrum ratio,PSC)的頻域特征,再結(jié)合AR模型參數(shù),對后續(xù)的步態(tài)識別提供有效信息,最后將所有特征值進行融合構(gòu)建相應(yīng)的特征向量,為后續(xù)步態(tài)識別做準(zhǔn)備.依據(jù)實際情況對步態(tài)初期200ms的sEMG數(shù)據(jù)、肌肉開始收縮的前400個點進行特征提取,采集頻率選擇2000Hz.

圖5 波形預(yù)處理前后對比圖Fig.5 Pre-pretreatment and post-pretreatment curves

平均值(mean)表征一段肌電信號平均強度,均方根(rms)表征信號的平均功率,標(biāo)準(zhǔn)差(std)表征表面肌電信號偏離平均值的程度,分別表示為:對平地、上樓梯、下樓梯、上斜坡、下斜坡5種不同步態(tài)下所采集的殘肢表面肌電信號,平均值和均方根區(qū)分度比較明顯,而標(biāo)準(zhǔn)差可以比較清晰地區(qū)別上樓梯和上斜坡.提取時域特征值之后,構(gòu)建如下的時域特征向量:

為了避免受試者在不同步態(tài)下肌肉收縮力量的不一致導(dǎo)致特征值的不穩(wěn)定,使用功率頻譜比值(Power spectrum ratio,PSC)來表征表面肌電信號的頻域特性,首先從采集的表面肌電信號中獲取功率譜的最大值;然后,計算出功率譜最大值附近某個指定寬度的面積,再除以功率譜整個總面積得到特征比值.其表達式為:其中,Q表示表面肌電信號功率譜比值;P(f)表示的是功率譜密度函數(shù);f(0)表示的是最大功率譜處的頻率,其中f0可以通過方程dP(f)/df=0來求解,若產(chǎn)生多個解則取P(f)為最大值時的f0;α表示的積分范圍,當(dāng)α=15Hz時,特征值有較高的區(qū)分度.

由表1可知,該受試者股直肌和闊筋膜張肌在5種步態(tài)下的功率譜比值有很明顯的差異;股二頭肌對部分步態(tài)也具有一定的區(qū)分度.提取時域特征值之后,構(gòu)建如下的頻域特征向量:

表1 大腿截肢者5種步態(tài)的功率譜比值Table 1 Power spectrum ratio of fi ve gaits

AR模型是一個線性的、二階平穩(wěn)模型,適用于短數(shù)據(jù)的分析,表面肌電信號滿足該參數(shù)模型的要求.AR參數(shù)法的原理是:利用AR模型參數(shù)的特征與下肢進行各種步態(tài)的確定性關(guān)系,通過從佩戴假肢的大腿截肢受試者的殘肢端記錄的sEMG,并求出相應(yīng)的模型參數(shù).在AR模型中,sEMG可以看作是均值為零的白噪聲激勵線性系統(tǒng)的產(chǎn)物[15?16].因此,提取AR模型參數(shù)的特征,作為步態(tài)識別的特征參數(shù).用x(m)代表第m個采樣點的表面肌電信號,對其建立如下的AR模型:

其中,ai表示AR模型的第i個系數(shù),n表示AR模型的階數(shù),e(m)表示白噪聲殘差,服從正態(tài)分布, δa表示方差.最小二乘法提取AR模型特征值,建立AR模型的過程中,模型階數(shù)n的選擇至關(guān)重要,如果所選取的階數(shù)過低,會產(chǎn)生平滑的結(jié)果,丟失大量的重要細(xì)節(jié)信息;如果所選取的階數(shù)過高,會產(chǎn)生急劇變化和振動,出現(xiàn)實際不存在的譜分裂現(xiàn)象[17?18].在這里,采用FPE(Final prediction error)確定階數(shù).其中,FPE準(zhǔn)則函數(shù)為:

其中,N為所選數(shù)據(jù)長度,n為模型階數(shù).

圖6為利用最小二乘法計算表面肌電信號FPE準(zhǔn)則函數(shù)曲線,橫軸為AR階數(shù),縱軸為模型計算值與實際值之間的誤差,隨著階數(shù)的增加,誤差越來越小,但是當(dāng)階數(shù)增至4時,誤差基本趨于穩(wěn)定.選取4階AR模型參數(shù)作為表面肌電信號的特征[19?20].

圖6 FPE函數(shù)階數(shù)準(zhǔn)則曲線Fig.6 FPE function order criterion curve

表2為截肢患者5種步態(tài)下股外側(cè)肌的4階AR模型參數(shù).各種步態(tài)下股外側(cè)肌的4階AR模型參數(shù)對下樓梯和下斜坡有著很好的區(qū)分度.

表2 大腿截肢者股外側(cè)肌的4階模型參數(shù)Table 2 The 4th order model parameters of vastus lateralis

提取AR模型參數(shù)特征值之后,構(gòu)建如下的AR模型參數(shù)特征向量

其中每4個數(shù)表示一塊肌肉的4階AR模型參數(shù).

1.4 特征融合

本文中的特征融合應(yīng)用到遺傳算法?偏最小二乘法(Genetic algorithm-partial least square,GAPLS),用于波譜數(shù)據(jù)中波長的特征選擇[9,21].與傳統(tǒng)的主成分分析法相比,能更精確地找到優(yōu)化的解決方法.利用Matlab編寫GA-PLS程序?qū)μ卣髦颠M行篩選不斷調(diào)整每個特征值被篩選出來次數(shù)的閾值,通過識別結(jié)果選出對步態(tài)識別影響程度較高的特征值.根據(jù)以上特征值,篩選結(jié)果如圖7所示.

被篩選出來的特征值編號為:1,2,4,13,16,19, 20,27,31,33,36,38,42,46.

重新構(gòu)建的特征向量為:

圖7 特征值篩選結(jié)果Fig.7 The selection of eigenvalue

步驟3.對神經(jīng)元進行選擇.把與輸入向量X距離最小的競爭層神經(jīng)元c作為最優(yōu)匹配輸出神經(jīng)元.

步驟4.權(quán)值調(diào)整.調(diào)整節(jié)點和在其領(lǐng)域Nc(t)內(nèi)包含的節(jié)點權(quán)系數(shù),即:

式中,posc,post分別為神經(jīng)元c和t的位置;norm用來計算兩神經(jīng)元之間的歐幾里得距離;r為領(lǐng)域半徑;η1為學(xué)習(xí)速率;r與η1一般隨進化次數(shù)的增加而線性下降.

步驟5.對算法是否結(jié)束進行判斷,若沒有結(jié)束,則返回步驟2.

Kohonen聚類算法流程圖如圖8所示.

2 基于有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)的運動步態(tài)識別

數(shù)據(jù)采集和處理是一個輸入信息的過程,有監(jiān)督網(wǎng)絡(luò)的Kohonen神經(jīng)網(wǎng)絡(luò)的步態(tài)識別是信息輸出的過程,輸入與輸出節(jié)點之間通過可調(diào)整的權(quán)值連接.用改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法對步態(tài)進行識別.與無監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法相比,有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法是在競爭層后增加了一個輸出層,在權(quán)值調(diào)整時不僅調(diào)整輸入層同競爭層優(yōu)勝節(jié)點領(lǐng)域內(nèi)節(jié)點權(quán)值,同時調(diào)整競爭層優(yōu)勝節(jié)點領(lǐng)域內(nèi)節(jié)點同輸出層節(jié)點權(quán)值.

2.1 Kohonen神經(jīng)網(wǎng)絡(luò)

Kohonen神經(jīng)網(wǎng)絡(luò)算法的工作原理為:網(wǎng)絡(luò)學(xué)習(xí)過程中,當(dāng)樣本輸入網(wǎng)絡(luò)時,競爭層上的神經(jīng)元計算輸入樣本與競爭層神經(jīng)元權(quán)值之間的歐幾里得距離,距離最小的神經(jīng)元為獲勝神經(jīng)元.調(diào)整獲勝神經(jīng)元和相鄰神經(jīng)元權(quán)值,使獲勝神經(jīng)元及周邊權(quán)值靠近該輸入樣本.通過反復(fù)訓(xùn)練,最終各神經(jīng)元的連接權(quán)值具有一定的分布,該分布把數(shù)據(jù)之間的相似性聚集到代表各類的神經(jīng)元上,使同類神經(jīng)元具有相近的權(quán)系數(shù),不同類的神經(jīng)元權(quán)系數(shù)有著明顯的差別,從而實現(xiàn)數(shù)據(jù)的有效聚類.Kohonen網(wǎng)絡(luò)訓(xùn)練步驟如下:

步驟1.對網(wǎng)絡(luò)權(quán)值ωij進行初始化.

步驟2.距離計算.計算輸入向量X=[x1,···, xn]與競爭層神經(jīng)元j之間的距離dj:

圖8 Kohonen算法流程圖Fig.8 Flowchart of Kohonen algorithm

1)把輸入層數(shù)據(jù)進行數(shù)據(jù)化歸一;

2)網(wǎng)絡(luò)初始化,選擇輸入層節(jié)點數(shù)為38,競爭層節(jié)點36,將其排布在6×6方陣中;

3)按式(12)計算輸入樣本最接近競爭層的節(jié)點作為樣本優(yōu)勝節(jié)點;

4)按式(13)調(diào)整優(yōu)勝節(jié)點領(lǐng)域半徑r內(nèi)節(jié)點權(quán)值其領(lǐng)域半徑在學(xué)習(xí)進化過程中逐漸減少,輸入數(shù)據(jù)向幾個節(jié)點集中實現(xiàn)網(wǎng)絡(luò)聚類功能.根據(jù)經(jīng)驗知識選取優(yōu)勝節(jié)點的最大領(lǐng)域rlmax為1.5,最小領(lǐng)域rlmin為0.4;調(diào)整ωij時最大學(xué)習(xí)速率η1max取0.1,最小學(xué)習(xí)速率取η1min為0.01;再次調(diào)整ωij時最大學(xué)習(xí)速率η2max取1,最小學(xué)習(xí)速率η2min取為0.5;網(wǎng)絡(luò)共學(xué)習(xí)調(diào)整10000次.

2.2 有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)設(shè)計

本文的改進思想是:通過在競爭層后增加一個輸出層,使其變?yōu)橛斜O(jiān)督學(xué)習(xí)的網(wǎng)絡(luò),輸出層節(jié)點個數(shù)同步態(tài)類別數(shù)相同,每個節(jié)點代表一類步態(tài).輸出層節(jié)點和競爭層節(jié)點通過權(quán)值相連,將特征向量輸入有監(jiān)督Kohonen網(wǎng)絡(luò),在權(quán)值調(diào)整時,不僅調(diào)整輸入層同競爭層優(yōu)勝節(jié)點領(lǐng)域內(nèi)節(jié)點權(quán)值,同時調(diào)整競爭層優(yōu)勝節(jié)點領(lǐng)域內(nèi)節(jié)點同輸出層節(jié)點權(quán)值,調(diào)整方式如下:

式中,η2為學(xué)習(xí)概率;ωjk為競爭層和輸出層權(quán)值, Yk為樣本所屬類別.

在Kohonen學(xué)習(xí)算法中,如果初始權(quán)值向量設(shè)置不合理,可能導(dǎo)致權(quán)向量無法得到充分訓(xùn)練,也有可能限制網(wǎng)絡(luò)在訓(xùn)練過程中的優(yōu)化性能,使得有些類別不能被區(qū)別開.為了克服以上缺陷,本文用最大最小距離法確定初始權(quán)值代替隨機初始權(quán)值,達到激活不同步態(tài)模式的目的.其中利用最大最小距離法確定初始權(quán)值的流程圖如圖9所示.

1)有N個對象,Sn={Z1,···,Zn};

2)在輸入層神經(jīng)元任取一個對象Z1,作為第一個類的中心,從集合Sn中找到距離Z2最大的對象作為Z2;

3)對Sn中剩余對象Z1,分別計算Z1到Zi的距離Dij,令最小的為Dj;

4)maxSn(Dzi),若maxSn(Dzi)＞m,則取Zi為新的聚類中心;

5)重復(fù)處理直到找不到符合條件新的聚類中心.

基于有監(jiān)督的Kohonen網(wǎng)絡(luò)聚類算法的步態(tài)模式識別模型主要包括:

1)隨機選取每種步態(tài)模式的訓(xùn)練特征向量各100組,50組作為測試特征向量,50組作為訓(xùn)練特征向量;

2)初始化有監(jiān)督的Kohonen網(wǎng)絡(luò)結(jié)構(gòu),確定權(quán)值;

3)用訓(xùn)練特征向量反復(fù)訓(xùn)練有監(jiān)督的Kohonen,直至實現(xiàn)網(wǎng)絡(luò)的聚類功能;

4)用訓(xùn)練好的有監(jiān)督的Kohonen網(wǎng)絡(luò)分類被測試數(shù)據(jù),輸出識別結(jié)果.

有監(jiān)督的Kohonen聚類算法(S-Kohonen)流程圖如圖10所示.

有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)的設(shè)計主要包括以下幾方面:網(wǎng)絡(luò)層數(shù)、輸入層節(jié)點、競爭層節(jié)點、輸出層節(jié)點等.

圖9 確定初始權(quán)值流程圖Fig.9 The fl owchart of determination of initial weight value

圖10 有監(jiān)督Kohonen聚類算法流程圖Fig.10 The fl owchart of S Kohonen clustering algorithm

1)網(wǎng)絡(luò)層數(shù):Kohonen自身只有輸入層和競爭層(也稱輸出層),但是改進之后是相當(dāng)于在競爭層后加入一層輸出層,因此有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)有3層,第一層為輸入層,第二層稱為競爭層,第三層為輸出層.

2)輸入層節(jié)點數(shù):輸入層神經(jīng)元個數(shù)等于輸入樣本向量的維數(shù),取輸入層節(jié)點數(shù)為m.本網(wǎng)絡(luò)的輸入所提取的6塊肌肉的sEMG的特征值,時域特征值(平均值、均方根、標(biāo)準(zhǔn)差);頻域特征值(功率譜比值)、模型參數(shù)特征值(AR模型參數(shù)).輸入節(jié)點分別為:

a)時域特征值 (平均值、均方根、標(biāo)準(zhǔn)差): 6×3=18(6塊肌肉,3個時域特征值);

b)頻域特征值(功率譜比值):6×1=6(6塊肌肉,1個頻域特征值);

c)AR模型參數(shù):6×4=24(6塊肌肉,4階AR模型);

d)特征融合:將上述48個特征值進行篩選之后的特征值個數(shù)14.

3)競爭層節(jié)點數(shù):競爭層節(jié)點代表的是輸入數(shù)據(jù)潛在的分類類別.由于本文中所研究的步態(tài)類別為5類,所以選擇競爭層節(jié)點數(shù)為6×6=36個,將競爭層節(jié)點排列在一個6行6列的矩陣中.

4)輸出層節(jié)點數(shù):輸出層節(jié)點數(shù)與數(shù)據(jù)類別數(shù)相同,每一個節(jié)點表示一類數(shù)據(jù).本文中輸出層節(jié)點數(shù)為5.

2.3 基于特征融合向量的步態(tài)識別

為了得到更高的識別率,本課題考慮將時域特征值、頻域特征值、AR模型參數(shù)特征值進行融合,重新構(gòu)建的特征向量為:

表3給出各種步態(tài)的識別率以及平均識別率,并且將時域、頻域以及AR模型參數(shù)特征值進行融合后,選取有效的特征值構(gòu)建特征向量,五種步態(tài)模式的識別率均達到了84%以上.五種步態(tài)的平均識別率為88.4%.

2.4 基于BP網(wǎng)絡(luò)的步態(tài)識別與對比有監(jiān)督的Kohonen網(wǎng)絡(luò)對比

BP網(wǎng)絡(luò)利用信號向前傳遞,誤差反向傳播的特點使BP神經(jīng)網(wǎng)絡(luò)預(yù)測不斷逼近期望輸出.但在網(wǎng)絡(luò)預(yù)測誤差的負(fù)梯度方向修正權(quán)值和閾值,沒有考慮到學(xué)習(xí)經(jīng)驗的累積,學(xué)習(xí)過程收斂緩慢.為了驗證有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)對步態(tài)識別的可行性以及有效性,將時域特征向量、頻域特征向量、AR模型參數(shù)特征向量以及特征融合向量分別輸入到有監(jiān)督的Kohonen、BP網(wǎng)絡(luò)和無監(jiān)督的Kohonen進行步態(tài)識別率的比較.

表3 步態(tài)識別結(jié)果Table 3 The results of gait recognition

3 實驗結(jié)果與分析

驗證特征融合的最優(yōu)向量,調(diào)整GA-PLS篩選特征值程序中的精度參數(shù),并將輸出的被篩選特征值重新構(gòu)建特征向量,輸入到有監(jiān)督的Kohonen網(wǎng)絡(luò)中,得到相應(yīng)的識別結(jié)果.對比識別結(jié)果得知,增大或減少精度參數(shù),步態(tài)的識別率有所降低.因此證明被篩選出的特征值對步態(tài)識別是最有效的.

對比時域、頻域、AR模型參數(shù)以及上述特征融合向量對步態(tài)的識別結(jié)果,得到圖11所示的柱狀圖,更直觀地顯示不同特征向量對同一種步態(tài)的識別效果.圖11可以看出,不同特征向量對同一種步態(tài)的識別有一定的差異,其中時域特征向量對平地行走的識別效果較好,單頻域特征值對整體的步態(tài)識別有一定優(yōu)勢,AR模型參數(shù)特征向量對下樓梯、下斜坡有較好的識別率.結(jié)合特征值的優(yōu)勢,將特征融合向量輸入有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)對大腿截肢者的不同步態(tài)的識別效果最好.圖12為 S-Kohonen、BP、Kohonen三種算法的識別率對比圖.對于融合特征值,平均識別率高于獨立特征值.而且,S-Kohonen算法的識別率高于其他兩種算法.

4 結(jié)論

本文設(shè)計了一種無線傳感器嵌入接受腔內(nèi)的肌電信號采集系統(tǒng),提取了時域、頻域以及AR模型參數(shù)特征值,對大腿截肢患者在平地、上樓梯、下樓梯、上斜坡、下斜坡5種路況下的典型步態(tài)進行分類識別.利用有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò),將5種步態(tài)平均識別率提高到了88.4%,從而驗證了將有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)應(yīng)用到步態(tài)識別上的可行性.如要將該算法應(yīng)用于假肢截肢者的步態(tài)識別,還需改進傳感器嵌入式的接受腔制作方法,增加傳感器數(shù)量,以進一步提高識別效果.

圖11 不同特征向量對步態(tài)識別結(jié)果Fig.11 The gait recognition results of di ff erent feature vectors

圖12 SKohonen、BP、Kohonen三種算法的平均識別率對比Fig.12 Comparison of average recognition rate of S-Kohonen,BP and Kohonen algorithm

1 Chen B J,Wang Q N.Combining human volitional control with intrinsic controller on robotic prosthesis:a case study on adaptive slope walking.In:Proceedings of the 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Milan,Italy:IEEE,2015. 4777?4780

2 Cherelle P,Mathijssen G,Wang Q N,Vanderborght B, Lefeber D.Advances in propulsive bionic feet and their actuation principles.Advances in Mechanical Engineering,2014, 2014:984046

3 Meier M R,Hansen A H,Gard S A,McFadyen A K.Obstacle course:users＇maneuverability and movement efficiency when using Otto Bock C-Leg,Otto Bock 3R60,and the CaTech SNS prosthetic knee joints.Journal of Rehabilitation Research and Development,2012,49(4):583?596

4 Hoover C D,Fulk G D,Fite K B.The design and initial experimental validation of an active myoelectric transfemoral prosthesis.Journal of Medical Devices,2012,6(1):011005

5 Tian Yan-Tao,Sun Zhong-Bo,Li Hong-Yang,Wang Jing.A review of optimal and control strategies for dynamic walking bipedal robots.Acta Automatica Sinica,2016,42(8): 1143?1157 (田彥濤,孫中波,李宏揚,王靜.動態(tài)雙足機器人的控制與優(yōu)化研究進展.自動化學(xué)報,2016,42(8):1143?1157)

6 Hoover C D,Fulk G D,Fite K B.Stair ascent with a powered transfemoral prosthesis under direct myoelectric control.IEEE/ASME Transactions on Mechatronics,2013, 18(3):1191?1200

7 Kim D H,Cho C H,Ryu J.Real-time locomotion mode recognition employing correlation feature analysis using EMG pattern.ETRI Journal,2014,36(1):99?105

8 Zhang F,Huang H.Source selection for real-time user intent recognition toward volitional control of arti fi cial legs.IEEE Journal of Biomedical and Health Informatics,2013,17(5): 907?914

9 Huang H,Zhang F,Hargrove L J,Dou Z,Rogers D R, Englehart K B.Continuous locomotion-mode identi fi cationfor prosthetic legs based on neuromuscular-mechanical fusion.IEEE Transactions on Biomedical Engineering,2011, 58(10):2867?2875

10 Chen Guo-Xing,Geng Yan-Li,Liu Zuo-Jun,Yang Peng. Fuzzy adaptive feedback regulation for stumble pre-warning of lower limb prosthesis based on the correlation analysis. Robot,2015,37(6):732?737,747 (陳國興,耿艷利,劉作軍,楊鵬.假肢跌倒預(yù)警中基于相關(guān)性分析的模糊自適應(yīng)反饋調(diào)節(jié).機器人,2015,37(6):732?737,747)

11 Zhao Li-Na,Liu Zuo-Jun,Gou Bin,Yang Peng.Gait prerecognition of dynamic lower limb prosthesis based on hidden Markov model.Robot,2014,36(3):337?341 (趙麗娜,劉作軍,茍斌,楊鵬.基于隱馬爾可夫模型的動力型下肢假肢步態(tài)預(yù)識別.機器人,2014,36(3):337?341)

12 Peng L,Hou Z G,Kasabov K,Hu J,Peng L,Wang W Q. sEMG-based torque estimation for robot-assisted lower limb rehabilitation.In:Proceedings of the 2015 International Joint Conference on Neural Networks.Ireland,County Kerry:IEEE,2015.DOI:10.1109/IJCNN.2015.7280449

13 Ding Qi-Chuan,Xiong An-Bin,Zhao Xin-Gang,Han Jian-Da.A review on researches and applications of sEMG-based motion intent recognition methods.Acta Automatica Sinica, 2016,42(1):13?25 (丁其川,熊安斌,趙新剛,韓建達.基于表面肌電的運動意圖識別方法研究及應(yīng)用綜述.自動化學(xué)報,2016,42(1):13?25)

14 Vallery H,Burgkart R,Hartmann C,Mitternacht J,Riener R,Buss M.Complementary limb motion estimation for the control of active knee prostheses.Biomedizinische Technik. Biomedical Engineering,2011,56(1):45?51

15 Liu Hong-Tao,Cao Yu-Zhen,Xie Xiao-Bo,Hu Yong.Estimation of muscle fatigue degree using time-varying autoregressive model parameter estimation of surface electromyography.Chinese Journal of Biomedical Engineering,2007, 26(4):493?497 (劉洪濤,曹玉珍,謝小波,胡勇.表面肌電信號的時變AR模型參數(shù)評估肌疲勞程度的研究.中國生物醫(yī)學(xué)工程學(xué)報,2007,26(4): 493?497)

16 Zhang Pei-Lin,Li Sheng.Fault feature selection method based on wavelet and GA-PLS algorithm.Journal of Vibration,Measurement&Diagnosis,2014,34(2):385?391 (張培林,李勝.基于小波包變換和GA-PLS算法的故障特征選擇方法.振動、測試與診斷,2014,34(2):385?391)

17 Zhou S,Lawson D L,Morrison W E,Fairweather I.Electromechanical delay in isometric muscle contractions evoked by voluntary,re fl ex and electrical stimulation.European Journal of Applied Physiology and Occupational Physiology,1995,70(2):138?145

18 Lawson B E,Varol H A,Hu ffA,Erdemir E,Goldfarb M. Control of stair ascent and descent with a powered transfemoral prosthesis.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2012,21(3):466?473

19 Huang S,Ferris D P.Muscle activation patterns during walking from transtibial amputees recorded within the residual limb-prosthetic interface.Journal of Neuroengineering and Rehabilitation,2012,9:55.DOI:10.1186/1743-0003-9-55

20 Hargrove L J,Simon A M,Lipschutz R D,Finucane S B, Kuiken T A.Real-time myoelectric control of knee and ankle motions for transfemoral amputees.JAMA,2011,305(15): 1542?1544

21 Sagawa Y Jr,Turcot K,Armand S,Thevenon A,Vuillerme N,Watelain E.Biomechanics and physiological parameters during gait in lower-limb amputees:a systematic review. Gait&Posture,2011,33(4):511?526

Gait Recognition Based on Supervised Kohonen Neural Network

GUO Xin1,2WANG Lei1,2XUAN Bo-Kai1,2LI Cai-Ping1,2

Surface electromyography(sEMG)is changeable with time,which will a ff ect the classi fi cation accuracy.The traditional recognition method cannot guarantee its e ff ectiveness within whole control cycle for lower limb movement. This paper extracts the feature from initial 200ms EMG,applies Kohonen and supervised Kohonen neural networks, and compares the result with BP neural network.Experimental results show that supervised Kohonen neural network is superior to the other two algorithms.The average recognition rate can be increased to 88.4%for fi ve kinds of terrains.

Surface electromyography(sEMG),intelligent prosthesis,feature extraction,supervised Kohonen neural network,gait recognition

郭 欣 博士,河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院教授.主要研究方向為智能康復(fù)裝置和計算機控制.本文通信作者.E-mail:gxhebut@aliyun.com(GUO Xin Ph.D.,professor at the School of Control Science and Engineering,Hebei University of Technology.His research interest covers rehabilitation device and computer control.Corresponding author of this paper.)

宣伯凱 河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院博士研究生.主要研究方向為智能下肢假肢.E-mail:xuanbokai@126.com(XUAN Bo-KaiPh.D.candidate at the School of Control Science and Engineering,Hebei University of Technology.His main research interest is intelligent prostheses.)

李彩萍 河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院碩士.主要研究方向為智能假肢.E-mail:licaiping0113@163.com(LI Cai-Ping Master at the School of Control Science and Engineering,Hebei University of Technology.Her main research interest is intelligent prostheses.)

郭欣,王蕾,宣伯凱,李彩萍.基于有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)的步態(tài)識別.自動化學(xué)報,2017,43(3):430?438

Guo Xin,Wang Lei,Xuan Bo-Kai,Li Cai-Ping.Gait recognition based on supervised Kohonen neural network. Acta Automatica Sinica,2017,43(3):430?438

2016-02-04 錄用日期2016-10-10

Manuscript received February 4,2016;accepted October 10, 2016

河北省青年自然基金(F2016202327),河北省高等學(xué)?？茖W(xué)技術(shù)研究項目(Q2012079,ZC2016020),中國科學(xué)院人機智能協(xié)同系統(tǒng)重點實驗室開放基金資助

Supported by Natural Science Foundation of Hebei Province (F2016202327),Science Technology Research Project of Higher Education of Hebei Province(Q2012079,ZC2016020),the Open Fund of CAS Key Laboratory of Human-Machine Intelligence-Synergy Systems

本文責(zé)任編委王啟寧

Recommended by Associate Editor WANG Qi-Ning

1.河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院天津300130 2.智能康復(fù)裝置與檢測技術(shù)教育部工程研究中心天津300130

1.School of Control Science and Engineering,Hebei University of Technology,Tianjin 300130 2.Engineering Research Center of Intelligent Rehabilitation,Ministry of Education,Tianjin 300130

DOI10.16383/j.aas.2017.c160114