熊毅超 ，李曉歐 ，周志勇

（1.上海健康醫(yī)學(xué)院醫(yī)療器械學(xué)院，上海，201318；2.上海理工大學(xué)醫(yī)療器械與食品學(xué)院，上海，200093；3.上海電機(jī)學(xué)院設(shè)計(jì)與藝術(shù)學(xué)院，上海，200240）

引 言

盲人和視障患者作為社會的一個(gè)特殊群體，給個(gè)人、家庭、社會及醫(yī)療帶來了很大的影響。為了安全出行，可通過城市設(shè)置盲道或者使用導(dǎo)盲犬來避免盲人和視障患者跌倒，但通常存在盲道被雜物和社會車輛占據(jù)和需要大量的精力來訓(xùn)練和喂養(yǎng)導(dǎo)盲犬等難以解決的問題。目前，國內(nèi)外市場上的輔助行走系統(tǒng)主要包括穿戴式電子行進(jìn)輔具、移動式機(jī)器人以及導(dǎo)盲杖等[1-2]。它們憑借各自的特點(diǎn)優(yōu)勢，均可以有效地輔助測障。但是實(shí)際上當(dāng)盲人和視障患者處于對地邁步、靜止、抖腳或者因外部因素造成振動等狀態(tài)時(shí)，系統(tǒng)不需要啟動測障。目前大部分輔助行走系統(tǒng)不能有效減少誤報(bào)警，同時(shí)也存在跌倒后得不到及時(shí)救助等問題。

步態(tài)，即人行走時(shí)的姿態(tài)，是人體運(yùn)動和神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的外在體現(xiàn)。生活中人體的步態(tài)模式可以分為日常生活活動(Activity of daily livings，ADL)和跌倒兩大類。ADL 包括行走、跑步和上下樓梯等步態(tài)模式[3]。步態(tài)檢測目的是通過分析被試者的步態(tài)信息，識別出被試者的步態(tài)模式，方法主要有基于加速度傳感器、基于壓力傳感器和基于多傳感器融合等[4-7]。石欣等[8]通過在鞋墊內(nèi)放置多個(gè)壓力傳感器，利用支持向量機(jī)(Support vector machine, SVM)算法實(shí)現(xiàn)對日常步態(tài)模式的識別。Young 和Omid 等[9-10]分別利用機(jī)器學(xué)習(xí)處理加速度傳感器所體現(xiàn)的步態(tài)信息來進(jìn)行步態(tài)識別，均獲得了較理想的分類結(jié)果。在基于多傳感器融合方面，席旭剛等[11]設(shè)計(jì)了一種基于表面肌電信號與足底壓力信號融合的步態(tài)檢測系統(tǒng)，獲取更多的步態(tài)信息，對跌倒和ADL 的平均識別率可達(dá)到91.7%，優(yōu)于單一信號源識別結(jié)果。此外，趙曉東等[12]為克服單信息源的片面性和偶然性，通過將表面肌電信號、三軸加速度信號與足底壓力信號特征融合，利用粒子群優(yōu)化SVM 算法將跑動等步態(tài)模式平均識別率提高至92.78%。目前步態(tài)檢測技術(shù)主要聚焦在體育訓(xùn)練、健康檢測、醫(yī)學(xué)研究和行人導(dǎo)航等領(lǐng)域[13-14]。隨著步態(tài)檢測技術(shù)的發(fā)展，可將其與避障相結(jié)合，通過識別出被試者的步態(tài)模式，來判斷是否需要測障，有效減少誤報(bào)警。

為了盲人和視障患者安全方便出行，以及針對存在的誤報(bào)警和跌倒得不到及時(shí)救助等問題，本文設(shè)計(jì)一種基于步態(tài)檢測算法的輔助行走系統(tǒng)。利用放置在鞋墊內(nèi)的薄膜壓力傳感器采集被試者足底壓力信號，利用三軸加速度傳感器采集被試者加速度信號。本方法將三軸加速度信號與足底壓力信號特征融合后組成多維特征輸入到遺傳算法優(yōu)化SVM 分類器，獲得被試者的步態(tài)模式識別結(jié)果。行走、上樓梯、下樓梯時(shí)啟動超聲波測障，靜止模式不啟動超聲波測障。如果檢測到跌倒，則通過安卓手機(jī)APP 進(jìn)行發(fā)送定位信息到緊急聯(lián)系人，并自動撥號。

1 總體設(shè)計(jì)

整個(gè)系統(tǒng)工作流程主要包括加速度信號和壓力信號采集、信號處理及步態(tài)識別和手機(jī)APP 輸出步態(tài)信息、自動撥號。本系統(tǒng)通過置于鞋底的足底壓力傳感器和置于腳踝部位的三軸加速度傳感器采集步態(tài)信息，MSP430 微控制器模塊負(fù)責(zé)讀取和處理步態(tài)信息。超聲波測距模塊負(fù)責(zé)探測障礙物，蜂鳴器和振動馬達(dá)負(fù)責(zé)報(bào)警，提醒避障。如果檢測到跌倒，藍(lán)牙通信模塊負(fù)責(zé)將跌倒信息傳輸?shù)绞謾C(jī)應(yīng)用端，手機(jī)APP 接收跌倒信息后負(fù)責(zé)發(fā)送定位及自動撥號。系統(tǒng)工作流程如圖1 所示。

1.1 信號采集硬件設(shè)計(jì)

系統(tǒng)硬件部分主要具有加速度信號和壓力信號的采集與處理、測障兩部分功能。硬件部分包括MSP430微控制器模塊、超聲波測障模塊、壓阻式壓力傳感器、三軸加速度計(jì)、藍(lán)牙通信模塊和電源管理模塊等。

(1)數(shù)據(jù)處理模塊：選用美國TI 公司開發(fā)的MSP430 系列超低功耗單片機(jī)作為核心控制模塊。

(2)加速度模塊和壓力信號模塊：加速度模塊選用美國ADI 公司研發(fā)的ADXL335 加速度傳感器采集三軸加速度信號；壓力信號模塊使用的是RX-D2027 壓阻式柔性壓力傳感器。

(3)通訊模塊和電源模塊等：系統(tǒng)采用HC-05 無線藍(lán)牙傳輸模塊，最高可以支持1 Mb/s 的數(shù)據(jù)傳輸速度，可以保證數(shù)據(jù)傳輸有足夠帶寬，而且是低功耗；考慮到盲人和視障患者可能較長時(shí)間行走，系統(tǒng)采用帶充電功能的鋰電池，報(bào)警方式采用蜂鳴器和振動雙重報(bào)警。

圖1 系統(tǒng)總體工作流程圖Fig.1 Flow chart of overall system

(4)測障模塊：選用HC-SR04 帶溫度補(bǔ)償?shù)某暡y距模塊作為障礙物檢測模塊，該模塊具有精度高、測量范圍比較廣和抗干擾性強(qiáng)等優(yōu)勢。

1.2 軟件設(shè)計(jì)

系統(tǒng)軟件分為下位機(jī)軟件和安卓手機(jī)APP 設(shè)計(jì)。下位機(jī)軟件主要包括初始化、信號讀取和處理、測障等部分。當(dāng)開啟該裝置的電源按鈕后，系統(tǒng)軟件完成初始化。然后該系統(tǒng)軟件啟動信號采集程序，通過置于鞋底的薄膜壓力傳感器和置于腳踝部的三軸加速度傳感器進(jìn)行信號采集。采集結(jié)束后，自動進(jìn)行嵌入經(jīng)過訓(xùn)練的分類算法的單片機(jī)步態(tài)檢測程序中。系統(tǒng)如果判定被試者為行走、上樓梯、下樓梯模式則進(jìn)行超聲波測障，并根據(jù)是否有障礙物進(jìn)行報(bào)警和提醒避障，如果判定被試者為靜止模式則不啟動超聲波測障。如果系統(tǒng)判定被試者為跌倒，則根據(jù)被試者是否有損傷或者影響出行，來決定是否要立即進(jìn)行自動撥號功能。若檢測到被試者取消報(bào)警消息發(fā)送，則自動進(jìn)行下一次判定。本系統(tǒng)下位機(jī)軟件程序流程圖如圖2 所示。

圖2 系統(tǒng)軟件程序流程圖Fig.2 Flow chart of system software program

本系統(tǒng)的自動撥號及定位功能主要以安卓智能手機(jī)為載體，利用智能手機(jī)內(nèi)置的GPS 定位和百度地圖API 實(shí)現(xiàn)。首先本系統(tǒng)通過安卓智能手機(jī)搜索HC-05 藍(lán)牙并連接，然后結(jié)合MSP430 微控制器模塊對被試者步態(tài)信息進(jìn)行處理和識別。當(dāng)被試者加速度大于實(shí)驗(yàn)設(shè)定的閾值，并且結(jié)合前腳掌、后腳跟的壓力差信息，檢測到被試者處于跌倒?fàn)顟B(tài)，MSP430 微控制器模塊立即執(zhí)行無線通信任務(wù)，向安卓智能手機(jī)發(fā)送AT 指令信息，最后手機(jī)APP 完成對預(yù)留的緊急聯(lián)系人發(fā)送位置信息并自動撥號。與大部分盲人和視障患者跌倒后，可能需要得到及時(shí)的救助不同，如果跌倒行為并沒有產(chǎn)生較大的損傷或影響出行，患者可以一鍵取消自動撥號功能。

2 基于遺傳算法優(yōu)化支持向量機(jī)步態(tài)檢測算法

2.1 數(shù)據(jù)采集

考慮到大部分人體活動的頻率都低于20 Hz，為了盡可能多地采集到步態(tài)信息，將三軸加速度傳感器置于腳踝部，其中Z軸朝著人運(yùn)動正前方，Y軸與地面垂直指向正上方，且X軸與Y軸旋轉(zhuǎn)方向符合右手定則，信號的采樣頻率為100 Hz[15]。根據(jù)成年人的足底壓力分布規(guī)律選取前腳掌和腳跟為受力點(diǎn)，分別安裝一個(gè)薄膜壓力傳感器，采用500 Hz 采樣頻率采集足底壓力信號?？紤]到某些劇烈的運(yùn)動如原地跳起、快跑等，盲人和視障患者在現(xiàn)實(shí)中發(fā)生的概率比較小。當(dāng)然在實(shí)際生活中靜止模式可以是靜坐、站立或平躺等行為，跌倒也可以是向前跌倒、向后跌倒、左側(cè)跌倒或右側(cè)跌倒，本文統(tǒng)一歸類為靜止模式和跌倒。本文主要采集正常行走、靜止?fàn)顟B(tài)、上樓梯、下樓梯以及跌倒的步態(tài)信息。

2.2 數(shù)據(jù)預(yù)處理

采集到的原始信號存在許多噪音，對特征提取帶來干擾，所以信號去噪在信號預(yù)處理中很重要。小波包變換是建立在小波變換的基礎(chǔ)上，但對高頻部分也進(jìn)行了小波分解，比小波分析更加精細(xì)。小波包去噪具有低熵性、多分辨率和去相關(guān)性等特點(diǎn)，通過對信號多層次分解和重構(gòu)，提取信號的時(shí)頻特性，能夠有效實(shí)現(xiàn)去噪。為了避免部分運(yùn)動信息邊緣局部特征失真的問題以及減少固定偏差，本實(shí)驗(yàn)采集的信號采用軟硬閾值結(jié)合小波包去噪[16]。首先確定全局閾值然后選擇軟硬件閾值結(jié)合去噪函數(shù)，即

式中：β為噪聲的標(biāo)準(zhǔn)方差，N為小波包變換系數(shù)的個(gè)數(shù)，D(i,j)為處理后的小波包系數(shù)，d(i,j)為處理前小波包系數(shù)，i為小波包分解層數(shù),j是第i層的第j頻帶,p為閾值函數(shù)調(diào)節(jié)因子。

2.3 多維特征提取

式中：N表示傳感器采集樣本數(shù)表示加速度信號均值，F(xiàn)i表示薄膜壓力傳感器采集到的前腳掌壓力值，fi表示薄膜壓力傳感器采集到的后腳跟壓力值。

時(shí)頻域分析既可以描述頻率在信號內(nèi)的強(qiáng)度，也能體現(xiàn)信號的時(shí)域信息。小波能量譜是基于小波包分解提取多尺度空間能量特征，原理是把不同分解尺度上的能量求解出來，將這些能量值按尺度順序排列成特征向量供識別使用特征。小波包能量計(jì)算公式為

式中：d(i,j)為小波包變換系數(shù)，j為低頻子空間的序號。本文對加速度信號處理選擇db5 小波基函數(shù)進(jìn)行3 層小波包分解，選擇8 個(gè)低頻子空間加速度信號，提取小波包能量[17-18]。

2.4 遺傳算法優(yōu)化SVM

相比較于樸素貝葉斯、K 近鄰和決策樹等基于統(tǒng)計(jì)模式識別的分類方法，SVM 在解決小樣本、非線性以及高維識別問題方面優(yōu)勢明顯，也具有泛化能力強(qiáng)、易于推廣和人為設(shè)置參數(shù)少等優(yōu)點(diǎn)[19]。

SVM 原理是尋找一個(gè)滿足分類要求的最優(yōu)分類超平面，它以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為理論基礎(chǔ)，其學(xué)習(xí)策略是間隔最大化，最終轉(zhuǎn)化為一個(gè)二次規(guī)劃問題的求解。對于線性不可分的數(shù)據(jù)時(shí)，需要先確定核函數(shù)，然后通過非線性映射算法將低維輸入空間特征不可分的樣本轉(zhuǎn)化為高維特征使其線性可分。設(shè)存在線性不可分的步態(tài)數(shù)據(jù)集（Xi，Yi），X∈ Rd,Y∈ {-1,1},i=1,2,…,n,其中Xi為訓(xùn)練樣本數(shù)據(jù)集的特征向量，Yi為樣本的正負(fù)標(biāo)簽，該線性判別函數(shù)的一般表達(dá)式為：f(x)=ωx+b。其中ω為超平面法線，b為偏置向量，此時(shí)分類面為ωx+b=0。選擇合適的核函數(shù)K(xi,x)和參數(shù)C，通過構(gòu)造拉格朗日對偶函數(shù)可描述非線性支持向量機(jī)，即

式中：C為懲罰因子，α 為拉格朗日乘子；得到各系數(shù)最優(yōu)解，確定核函數(shù)之后，則最優(yōu)分類函數(shù)為

SVM 非線性變化依靠核函數(shù)完成，所以核函數(shù)選擇十分重要。本文選擇徑向基函數(shù)(Radial basis function, RBF)作為SVM 核函數(shù)，即。

遺傳算法（Genetic algorithm, GA）是基于達(dá)爾文進(jìn)化論的啟發(fā)搜索模式，是一種具有自適應(yīng)能力的，全局性的概率搜索算法。原理是模擬自然界適者生存的進(jìn)化現(xiàn)象，將問題解決的空間映射到遺傳空間，不斷向最優(yōu)解進(jìn)化[20]?；谶z傳算法優(yōu)化支持向量機(jī)需要對懲罰因子C和RBF 參數(shù)γ進(jìn)行尋找優(yōu)化，通過遺傳機(jī)制的選擇、交叉、變異等保留適應(yīng)度好的種群，并且不斷迭代進(jìn)化，最終獲得最優(yōu)種群，獲得最佳解決方案。遺傳算法優(yōu)化支持向量機(jī)核函數(shù)參數(shù)流程如圖3 所示。

圖3 基于遺傳算法的SVM 流程圖Fig.3 Flow chart of GA-SVM

3 結(jié)果與分析

3.1 實(shí)驗(yàn)方案

考慮到個(gè)體的差異性，本實(shí)驗(yàn)選取4 名身體健康狀況良好的同學(xué)作為數(shù)據(jù)采集對象（包括2 名男生，2 名女生，年齡均在23 歲）。本文對每種步態(tài)模式重復(fù)進(jìn)行采集12 組數(shù)據(jù)，最后選取共計(jì)210 組樣本數(shù)據(jù)集，在小波包去噪等預(yù)處理后用于對比實(shí)驗(yàn)。圖4 為被試者行走、靜止、上樓梯、下樓梯和跌倒5 種步態(tài)模式的豎直方向加速度信號，圖5 為被試者行走、靜止、上樓梯、下樓梯和跌倒5 種步態(tài)的后腳跟壓力信號。其中168 組作為訓(xùn)練集，其余42 組則分別輸入經(jīng)過訓(xùn)練后的SVM 模型和基于遺傳算法優(yōu)化SVM 模型進(jìn)行對比。遺傳算法設(shè)定參數(shù)為：初始種群個(gè)數(shù)NIND=50、最大遺傳代數(shù)MAXGEN=50、代溝GGAP=0.95。采用單點(diǎn)交叉變異，交叉概率px=0.8、變異概率pm=0.01。本實(shí)驗(yàn)結(jié)果將與基于單一加速度信號和基于單一足底的壓力信號步態(tài)檢測結(jié)果進(jìn)行對比。

3.2 結(jié)果分析

遺傳算法優(yōu)化訓(xùn)練過程中選擇5 折交叉驗(yàn)證方式獲得最優(yōu)適應(yīng)度，經(jīng)過50 次迭代后，計(jì)算出最優(yōu)參數(shù)組合懲罰因子C=5.098 1、核函數(shù)參數(shù)γ=1.019 7，具體最優(yōu)參數(shù)尋優(yōu)如圖6 所示。在獲得最優(yōu)參數(shù)組合后，對測試集用最優(yōu)SVM 模型進(jìn)行測試訓(xùn)練，5 種步態(tài)平均準(zhǔn)確率為90.48%，而不對支持向量機(jī)參數(shù)尋優(yōu)時(shí)，選擇懲罰因子C=10、核函數(shù)參數(shù)γ=10 時(shí)，5 種步態(tài)平均識別率僅為78.57%。圖7 所示為未參數(shù)優(yōu)化SVM 模型的測試集混淆矩陣，圖8 所示為基于遺傳算法優(yōu)化的SVM 模型的測試集混淆矩陣。

在對支持向量機(jī)優(yōu)化參數(shù)后，本文將利用單一加速度信號的步態(tài)識別率和與利用單一足底壓力信號的步態(tài)識別率作對比，結(jié)果如圖9 所示?；趩我患铀俣刃盘柕牟綉B(tài)平均識別率為80.42%，基于足底壓力信號的步態(tài)平均識別率只有69.28%，可以看到在融合加速度信號與足底壓力信號后，5 種步態(tài)的平均識別率為90.48%，均明顯大于基于單一信號。

圖4 5 種步態(tài)模式的豎直方向加速度信號對比Fig.4 Comparison of acceleration signals in the vertical direction of five gait patterns

圖5 5 種步態(tài)的后腳跟壓力信號對比Fig.5 Comparison of heel pressure signals of five gait patterns

圖6 最優(yōu)參數(shù)選擇結(jié)果Fig.6 Optimal parameter selection result

圖7 基于SVM 模型的識別結(jié)果Fig.7 Recognition results based on SVM model

圖8 基于GA-SVM 模型的識別結(jié)果Fig.8 Recognition results based on GA-SVM model

為了驗(yàn)證本系統(tǒng)測障功能，本文在室內(nèi)環(huán)境進(jìn)行障礙物檢測實(shí)驗(yàn)，該室內(nèi)環(huán)境具有各種不同體積大小的障礙物，包括辦公桌、石頭、水杯和直線等。以上4 名健康狀況良好的同學(xué)穿著鞋底帶有2 個(gè)薄膜壓力傳感器和腳踝部位帶有三軸加速度計(jì)的特制壓力鞋，其中超聲波傳感器距離水平地面約5 cm。考慮到HC-SR04 超聲波傳感器在外接電阻為392 Ω 或者 432 Ω 時(shí)，探測距離為 2～450 cm，同時(shí)留給被試者避障時(shí)反應(yīng)距離約為50 cm。設(shè)置安全距離d,該安全距離表示報(bào)警時(shí)該系統(tǒng)前沿和障礙物邊緣的距離差值。如果滿足條件安全距離50 cm ?d?450 cm，即可以判定為測障成功，否則判定為誤報(bào)警或者漏報(bào)警。測障結(jié)果如表1 所示，對于常見的障礙物，本系統(tǒng)選用的超聲波測障傳感器均可以探測到。當(dāng)然，對于懸空細(xì)繩等，雖然報(bào)警距離較短，但是只要范圍內(nèi)，本系統(tǒng)均可以探測到。

圖9 5 種步態(tài)模式識別結(jié)果對比Fig.9 Comparison of five gait pattern recognition results

表1 不同障礙物檢測結(jié)果Table 1 Detection results of different obstacles

如果檢測到被試者跌倒，蜂鳴器和振動馬達(dá)首先會報(bào)警，其次該系統(tǒng)會向智能手機(jī)發(fā)送AT 指令（Attention）信息，最后手機(jī)APP 完成對預(yù)留緊急聯(lián)系人發(fā)送位置信息及自動撥號。同時(shí)本系統(tǒng)設(shè)置20 s 的等待時(shí)間，如果跌倒沒有產(chǎn)生較大的損傷或影響出行，被試者可以選擇一鍵取消發(fā)送。整個(gè)安卓手機(jī)APP 包括被試者和緊急聯(lián)系人信息存儲，其中緊急聯(lián)系人姓名和聯(lián)系方式是強(qiáng)制填寫、基于GPS 定位、跌倒檢測和求助等功能。跌倒求助短信界面和自動撥號界面分別如圖10 和圖11 所示。

圖10 跌倒求助界面Fig.10 Interface of fall help

圖11 自動撥號界面Fig.11 Interface of automatic dialing

4 結(jié)束語

本文研究并實(shí)現(xiàn)利用融合三軸加速度信號與足底壓力信號對步態(tài)進(jìn)行檢測，同時(shí)實(shí)現(xiàn)超聲波測障功能。系統(tǒng)通過對行走、靜止、上樓梯、下樓梯和跌倒5 種步態(tài)的三軸加速度信號和足底壓力信號的采集及小波包去噪處理，選取時(shí)域特征加速度信號均值、標(biāo)準(zhǔn)差、方差，以及前腳掌與后腳跟壓力信號差的均值，時(shí)頻特征選取加速度信號小波包能量譜作為特征值。選取SVM 作為分類器，選擇RBF，通過遺傳算法優(yōu)化和未參數(shù)尋優(yōu)對比，遺傳算法優(yōu)化SVM 的步態(tài)檢測效果最佳，5 種步態(tài)平均識別率達(dá)到90.48%。同時(shí)通過融合加速度信號與足底壓力信號步態(tài)識別和基于單一加速度信號、單一足底壓力信號對比結(jié)果表明，多源融合信號對5 種步態(tài)的識別率均明顯高于單一信號。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)基于多傳感器融合的步態(tài)檢測技術(shù)，步態(tài)平均識別率達(dá)到90.48%，可以在450 cm 范圍內(nèi)準(zhǔn)確測障，誤報(bào)警較少。該系統(tǒng)便攜性好、功耗低，操作方便，在盲人和視障患者輔助行走領(lǐng)域具有一定的研究意義和實(shí)用價(jià)值。