顏兵兵，王 強(qiáng)，宋佳寶，殷寶麟，胡春玉

（佳木斯大學(xué) 機(jī)械工程學(xué)院，黑龍江 佳木斯 154007）

0 引言

人與外界環(huán)境的交互是多模態(tài)的，可以通過(guò)視覺(jué)、味覺(jué)、嗅覺(jué)、聽(tīng)覺(jué)和觸覺(jué)獲取外界信息，利用大腦對(duì)獲取的信息進(jìn)行處理，用以理解外部世界［1］。針對(duì)助力外骨骼機(jī)器人，良好的下肢步態(tài)感知能力是人與外骨骼機(jī)器之間融合度評(píng)價(jià)的關(guān)鍵指標(biāo)，也是人機(jī)共融領(lǐng)域［2］的熱點(diǎn)問(wèn)題。

楊敏等人［3］利用足底壓力采集裝置對(duì)行走、跑步和下蹲3種步態(tài)信號(hào)進(jìn)行采集并用于人體步態(tài)分析。魏鵬娜等人［4］采集腦電波（electroencephalogram，EEG）信號(hào)和表面肌電（surface electromyography，sEMG）信號(hào)，采用K 最近鄰（K-nearest neighbor，KNN）算法和核支持向量機(jī)（kernel SVM，KSVM）算法進(jìn)行下肢步態(tài)感知。劉薛勤等人［5］采集足底周期性運(yùn)動(dòng)步態(tài)的壓力數(shù)據(jù)，利用支持向量機(jī)（SVM）對(duì)下肢步態(tài)數(shù)據(jù)進(jìn)行分類，由此感知下肢步態(tài)。賈曉輝等人［6］提出了一種基于模型映射和卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）區(qū)分人體步態(tài)相位的方法，并對(duì)不同的步態(tài)進(jìn)行識(shí)別，可準(zhǔn)確感知人體運(yùn)動(dòng)意圖。Ivanov K等人［7］使用帶有傳感器鞋墊來(lái)收集59 名戶外行走的運(yùn)動(dòng)數(shù)據(jù)，利用CNN對(duì)這些數(shù)據(jù)進(jìn)行身份識(shí)別，平均識(shí)別準(zhǔn)確度為93.3%。劉今越等人［8］將壓力傳感器和慣性測(cè)量單元（inertial measurement unit，IMU）采集的數(shù)據(jù)融合為足部運(yùn)動(dòng)數(shù)據(jù)，搭建CNN 識(shí)別行走步態(tài)相位，平均識(shí)別準(zhǔn)確率為94.58%。

基于前人研究結(jié)果可將下肢步態(tài)感知的實(shí)質(zhì)理解為：通過(guò)不同的感知方式獲取下肢運(yùn)動(dòng)信息，并采用不同的神經(jīng)網(wǎng)絡(luò)方法感知不同的下肢步態(tài)。可以看出，下肢步態(tài)感知方式可歸納為生物信號(hào)感知、慣性感知與足底壓力感知。其中，生物信號(hào)sEMG的采集易受外界環(huán)境的干擾；慣性傳感器佩戴位置的差異性大，均會(huì)降低下肢步態(tài)感知的效率與精度。相對(duì)于上述2 種感知方式，基于足底壓力感知的步態(tài)感知方法具有良好的靈敏度與測(cè)量精度。

基于此，本文以足底壓力分布為研究對(duì)象，構(gòu)建足底壓力分布采集裝置，采用多元線性回歸法將足底壓力分布數(shù)據(jù)轉(zhuǎn)換為地面反作用力，并基于CNN分類算法進(jìn)行下肢不同步態(tài)的感知。

1 足底壓力分布采集

1.1 足底壓力分布采集裝置

足底壓力分布數(shù)據(jù)是下肢步態(tài)感知的數(shù)據(jù)基礎(chǔ)，鑒于壓力傳感器的數(shù)量大小和位置分布方案會(huì)直接影響足底壓力采集裝置的采集性能［9］，本文擬定8 只壓力薄膜傳感器的位置分布方案（如圖1）：在足后跟的內(nèi)外側(cè)分布3個(gè)傳感器節(jié)點(diǎn)（M3，M4，M5）；在足中部外側(cè)安裝2 個(gè)傳感器節(jié)點(diǎn)（M7，M8）；在足前部安裝3個(gè)傳感器節(jié)點(diǎn)（M1，M2，M6）。

圖1 壓力傳感器的位置分布

本文鑒于成年人站立時(shí)的最大足底壓力為（1.28 ±0.33）kg／cm2，運(yùn)動(dòng)時(shí)的最大足底壓力為（2.96 ±0.66）kg／cm2，且站立與運(yùn)動(dòng)時(shí)足底與地面最小接觸面積為2 cm2［10］。本文采用柔性薄膜壓力傳感器ZNX—01，設(shè)計(jì)出一種可穿戴在鞋內(nèi)的足底壓力采集裝置，裝置實(shí)物及其接線圖如圖2所示。

圖2 足底壓力采集裝置

1.2 足底壓力分布采集試驗(yàn)

邀請(qǐng)身體健康、下肢關(guān)節(jié)骨骼正常的人員（身高為178 cm，體重為85 kg）為試驗(yàn)采集對(duì)象，開(kāi)展平地行走（行走速度為1.2 m／s）足底壓力分布數(shù)據(jù)的采集試驗(yàn)，試驗(yàn)結(jié)果如圖3所示。其中，M1—M8分別為足底壓力采集裝置中8只壓力傳感器采集的壓力數(shù)據(jù)。

圖3 平地行走時(shí)足底各區(qū)域壓力曲線

由圖3可知，平地行走一個(gè)步態(tài)周期內(nèi)足底壓力變化順序依次為：觸地期時(shí)足后跟與地面接觸，足后跟區(qū)域（M3，M4，M5）受壓逐漸增大，隨著運(yùn)動(dòng)進(jìn)入承重期，足后跟區(qū)壓力逐漸變小，足中前部區(qū)域（M2，M6）與地面接觸，足底壓力隨足中前部區(qū)域壓力增大而逐漸增大。當(dāng)運(yùn)動(dòng)進(jìn)入站立期，足后跟區(qū)壓力下降，足中部區(qū)域（M7，M8）受壓明顯增強(qiáng)。離地期時(shí)足前部區(qū)域（M1）受力達(dá)到峰值，足底其他區(qū)域壓力減小或?yàn)榱?。其運(yùn)動(dòng)過(guò)程與受力順序符合足底生物力學(xué)分析結(jié)果［10，11］，可用于地面反作用力預(yù)測(cè)。

2 地面反作用力預(yù)測(cè)

2.1 地面反作用力預(yù)測(cè)模型

借助足底壓力采集裝置雖能采集不同步態(tài)足底壓力分布數(shù)據(jù)，但若要感知下肢步態(tài)，則需獲取足底整體壓力數(shù)據(jù)（或稱地面反作用力），而非分布?jí)毫?shù)據(jù)。因此，本文基于多元線性回歸法構(gòu)建足底壓力分布數(shù)據(jù)X 與地面反作用力Y之間的關(guān)系模型

式中 α為回歸系數(shù)。若能確定平地行走、平地慢跑和坡路行走3個(gè)步態(tài)的回歸系數(shù)α1，α2和α3；再通過(guò)前一節(jié)搭建的足底壓力分布采集裝置采集3個(gè)步態(tài)足底壓力分布數(shù)據(jù)X1，X2和X3；即可通過(guò)式（1）獲得地面反作用力Y。

為獲取回歸系數(shù)α，首先借助文獻(xiàn)［12］中經(jīng)驗(yàn)公式（見(jiàn)式（2））分別獲取上述3 個(gè)步態(tài)地面反作用力經(jīng)驗(yàn)值

式中 m為人體質(zhì)量，β為支撐期占比，q為凹陷系數(shù)，p為峰值對(duì)稱參數(shù)，T為步態(tài)周期，t為時(shí)間；不同步態(tài)時(shí)，β，q和p取值不同［13，14］；基于式（2）可獲得地面反作用力經(jīng)驗(yàn)值

式中 y，y′和y″分別為平地行走、平地慢跑和坡路行走的經(jīng)驗(yàn)值；n為采樣樣本數(shù)。

然后利用足底壓力分布采集裝置分別采集3個(gè)步態(tài)足底壓力分布數(shù)據(jù)X1，X2和X3

式中 x，x′和x″分別為平地行走、平地慢跑和坡路行走足底壓力分布的采樣數(shù)據(jù)。

最后利用式（5）計(jì)算出3 個(gè)步態(tài)的線性回歸方程的回歸系數(shù)

將式（4）和式（5）代入式（1）中，即可獲得平地行走、平地慢跑和坡路行走3個(gè)步態(tài)的地面反作用力的預(yù)測(cè)模型

2.2 地面反作用力預(yù)測(cè)試驗(yàn)

首先，針對(duì)平地行走（1.2 m／s）、平地慢跑（2.2 m／s）和坡路行走（坡度為10.8°，1.2 m／s）3 個(gè)不同步態(tài)，分別采集試驗(yàn)者在平坦地面上20 組足底壓力分布數(shù)據(jù)；其次，將表1設(shè)定的參數(shù)［13，14］代入式（2）中計(jì)算出地面反作用力經(jīng)驗(yàn)值；然后，選取10 組足底壓力分布數(shù)據(jù)進(jìn)行線性回歸試驗(yàn)分析，并將調(diào)整后擬合度指標(biāo)（R2）最高的一組確定為足底壓力分布數(shù)據(jù)；最終，由式（5）求得上述3個(gè)步態(tài)對(duì)應(yīng)的回歸系數(shù)α1，α2和α3

表1 不同步態(tài)地面反作用力經(jīng)驗(yàn)參數(shù)

以此確定該試驗(yàn)條件下3個(gè)步態(tài)的地面反作用力預(yù)測(cè)模型。基于此模型，從3個(gè)不同步態(tài)的20組數(shù)據(jù)中選擇另外的10組足底壓力分布數(shù)據(jù)進(jìn)行地面反作用力預(yù)測(cè)獲得預(yù)測(cè)值Y1，Y2和Y3，并與經(jīng)驗(yàn)值進(jìn)行對(duì)比。選取其中一組對(duì)比結(jié)果，如圖4 所示?？梢钥闯?，3 個(gè)不同步態(tài)地面反作用力的預(yù)測(cè)值與經(jīng)驗(yàn)值基本一致。

圖4 不同步態(tài)地面反作用力預(yù)測(cè)值與經(jīng)驗(yàn)值對(duì)比

引入歸一化均方根誤差（normalized root mean square error，NRMSE）作為誤差評(píng)價(jià)指標(biāo)，將預(yù)測(cè)值與經(jīng)驗(yàn)值做誤差對(duì)比分析，結(jié)果如圖5所示?？梢钥闯?，3 個(gè)步態(tài)地面反作用力預(yù)測(cè)值與經(jīng)驗(yàn)值的NRMSE均在4%～10%之間，平均誤差分別為7.4%，7.7%和6.0%，預(yù)測(cè)結(jié)果均在工程應(yīng)用的接受范圍內(nèi)［15］，滿足后續(xù)步態(tài)感知的需求。

圖5 地面反作用力預(yù)測(cè)值與試驗(yàn)值的NRMSE

3 下肢步態(tài)感知

3.1 下肢步態(tài)感知算法

平地行走、平地慢跑和坡路行走3 個(gè)步態(tài)的地面反作用力的變化趨勢(shì)存在明顯差異，可從上述3 個(gè)步態(tài)的地面反作用力原始數(shù)據(jù)中提取包括均值、標(biāo)準(zhǔn)差、均方根和最小值在內(nèi)的特征值，再采用Mapminmax函數(shù)針對(duì)上述特征值進(jìn)行歸一化處理，以便得到用于CNN學(xué)習(xí)所用的訓(xùn)練與測(cè)試數(shù)據(jù)，最終獲得下肢不同步態(tài)的分類結(jié)果，以此實(shí)現(xiàn)基于足底壓力分布的下肢步態(tài)感知功能，具體流程如圖6所示。

圖6 基于足底壓力分布的下肢步態(tài)感知流程

本文搭建的CNN架構(gòu)（如圖7）由卷積結(jié)構(gòu)和分類器構(gòu)成，其中卷積結(jié)構(gòu)由2 個(gè)卷積（Con1，Con2）層、1 個(gè)最大池化（Maxpool）層和2個(gè)批歸一化（Norm1，Norm2）層組成，分類器由1個(gè)全連接（FC）層和1個(gè)SoftMax層組成。

圖7 用于下肢步態(tài)感知的CNN架構(gòu)

首先將歸一化處理后數(shù)據(jù)樣本作為CNN的輸入（Input），經(jīng)由卷積結(jié)構(gòu)進(jìn)行數(shù)據(jù)特征提取，再經(jīng)過(guò)分類器中的FC層將其映射至樣本標(biāo)記空間，然后通過(guò)SoftMax 層選擇最大預(yù)測(cè)概率的類別作為分類結(jié)果，最終輸出至Output。

3.2 試驗(yàn)分析

針對(duì)平地行走、平地慢跑和坡路行走3 個(gè)步態(tài)展開(kāi)足底壓力分布采集試驗(yàn)，利用地面反作用力預(yù)測(cè)模型分別獲取上述3個(gè)步態(tài)的地面反作用力數(shù)據(jù)，經(jīng)過(guò)提取特征數(shù)據(jù)與歸一化處理，獲得300 組數(shù)據(jù)樣本，并將其劃分為CNN所需的訓(xùn)練集與測(cè)試集（見(jiàn)表2）。

表2 CNN不同步態(tài)的訓(xùn)練集與測(cè)試集

訓(xùn)練過(guò)程中，設(shè)置學(xué)習(xí)率為0.001，訓(xùn)練次數(shù)為500，訓(xùn)練集損失值及準(zhǔn)確率的結(jié)果如圖8 所示。可以看出，訓(xùn)練樣本的準(zhǔn)確率達(dá)到98.95%，而損失值在訓(xùn)練400 次后趨于穩(wěn)定，其值為0.05。

圖8 訓(xùn)練集的損失值及準(zhǔn)確率

將測(cè)試集輸入上述訓(xùn)練得到的CNN模型，進(jìn)行下肢步態(tài)感知的測(cè)試試驗(yàn)，其結(jié)果如圖9所示?？梢钥闯?，平地行走中40組測(cè)試樣本的預(yù)測(cè)結(jié)果完全正確，而平地慢跑和坡路行走中各有1組測(cè)試樣本的預(yù)測(cè)結(jié)果有誤。

圖9 測(cè)試集的測(cè)試結(jié)果

根據(jù)統(tǒng)計(jì)測(cè)試集各分類標(biāo)簽的真實(shí)值和預(yù)測(cè)值數(shù)量，繪制基于測(cè)試集的預(yù)測(cè)分類混淆圖（如圖10）?？梢钥闯觯降匦凶?、平地慢跑和坡路行走的精確率（Precision）分別為95.2%，100%和100%，召回率（Recall）分別為100%，97.5%和97.5%。

圖10 基于測(cè)試集的預(yù)測(cè)分類混淆圖

引入Fscore指標(biāo)（如式（8））綜合評(píng)價(jià)基于測(cè)試集的不同步態(tài)感知性能

式中 β 為查準(zhǔn)率與查全率的調(diào)整權(quán)重，本文將精確率和召回率視為同等重要，即β ＝1?；谑剑?）計(jì)算可知平地行走、平地慢跑和坡路行走3 個(gè)步態(tài)感知的識(shí)別率分別為97.5%，98.7%和98.7%，平均識(shí)別率達(dá)到98.3%，能夠滿足不同步態(tài)感知與運(yùn)動(dòng)意圖識(shí)別的需求。

3.3 對(duì)比驗(yàn)證

為進(jìn)一步驗(yàn)證本文所構(gòu)建的下肢步態(tài)感知CNN 的有效性，分別采用SVM 和BP神經(jīng)網(wǎng)絡(luò)替換下肢步態(tài)感知流程中的CNN，開(kāi)展相應(yīng)的步態(tài)感知試驗(yàn)測(cè)試，并進(jìn)行試驗(yàn)結(jié)果的對(duì)比分析。

基于SVM 的步態(tài)感知試驗(yàn)中，選用高斯徑向基函數(shù)（radial basis function，RBF）為核函數(shù)，采用網(wǎng)格搜索和交叉驗(yàn)證的方法，在范圍（2－10，210）內(nèi)尋找最優(yōu)懲罰參數(shù)c和核函數(shù)參數(shù)g并進(jìn)行優(yōu)化，最終獲得懲罰參數(shù)c為0.015 6，核函數(shù)參數(shù)g為1。基于BP神經(jīng)網(wǎng)絡(luò)的步態(tài)感知試驗(yàn)中，隱含層神經(jīng)元的個(gè)數(shù)設(shè)置為6，輸入層到隱含層之間的傳遞函數(shù)設(shè)置為tansing，隱含層到輸出層之間的傳遞函數(shù)設(shè)置為purelin，訓(xùn)練方法為trainlm，最大迭代次數(shù)為500，學(xué)習(xí)率為0.01，訓(xùn)練誤差目標(biāo)為1×10－6。由此可以獲得基于不同識(shí)別方法的下肢步態(tài)感知識(shí)別率的對(duì)比結(jié)果，如表3所示。

表3 不同識(shí)別方法識(shí)別率 %

可以看出，本文構(gòu)建的基于CNN的下肢步態(tài)平均識(shí)別率達(dá)到98.3%，優(yōu)于SVM和BP神經(jīng)網(wǎng)絡(luò)兩種方法。為諸如下肢助力外骨骼機(jī)器人等相關(guān)裝置在人機(jī)交互技術(shù)方面的研究提供了一種可選的方案。

4 結(jié)論

本文以足底壓力分布為研究對(duì)象，基于足底生物力學(xué)分析搭建了一種可穿戴式足底壓力分布采集裝置，并用于平地行走、平地慢跑和坡路行走3 個(gè)步態(tài)的足底壓力數(shù)據(jù)采集；基于多元線性回歸法構(gòu)建出地面反作用力預(yù)測(cè)模型，準(zhǔn)確地將足底壓力分布數(shù)據(jù)轉(zhuǎn)換為地面反作用力；基于CNN分類算法實(shí)現(xiàn)了下肢不同步態(tài)的運(yùn)動(dòng)感知，并與SVM和BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比分析，驗(yàn)證了本文提出的基于CNN分類算法能夠更為準(zhǔn)確地感知下肢不同步態(tài)。這有助于下肢外骨骼能夠更好地理解用戶意圖，可進(jìn)一步推動(dòng)下肢外骨骼在康復(fù)、行動(dòng)輔助和勞動(dòng)增強(qiáng)等應(yīng)用領(lǐng)域的技術(shù)創(chuàng)新。